字体反爬的解决方案——突破抖音反爬虫机制

字体反爬案例

爬取一些网站的信息时，偶尔会碰到这样一种情况：网页浏览显示是正常的，用 python 爬取下来是乱码，F12用开发者模式查看网页源代码也是乱码。这种一般是网站设置了字体反爬。

1. 准备url

网址: https://www.iesdouyin.com/sha...

2. 获取数据分析字体加密方式

任务：爬取个人信息展示页中的关注、粉丝人数和点赞数据，页面内容如图下所示。

字体反爬的解决方案——突破抖音反爬虫机制

在编写代码之前，我们需要确定目标数据的元素定位。定位时，我们在 HTML 中发现了一些奇怪的符号，HTML 代码如下：

字体反爬的解决方案——突破抖音反爬虫机制

页面中重要的数据都是一些奇怪的字符，本应该显示数字的地方在 HTML 中显示的是""。

要注意的是，Chrome 开发者工具的元素面板中显示的内容不一定是相应正文的原文，要想知道 "" 符号是什么，还需要到网页源代码中确认。对应的网页源代码如下：

</span><span class="follower block">  <span class="num">        <i class="icon iconfont follow-num"> &#xe61b; </i>    <i class="icon iconfont follow-num"> &#xe617; </i>    <i class="icon iconfont follow-num"> &#xe61a; </i>    <i class="icon iconfont follow-num"> &#xe61e; </i>.    <i class="icon iconfont follow-num"> &#xe619; </i>w   </span>  <span class="text">粉丝</span> </span>

抖音将这些数字的数据都做了字体进行映射，用了他们自己的字体，那我们可以看看开发者工具的 network 查看他所用的字体，一般都是 wolf 或者 ttf 结尾的，可以看到:

字体反爬的解决方案——突破抖音反爬虫机制

我们多刷新几次，发现一直访问的是这个字体文件:

https://s3.pstatp.com/ies/res..._falcon/static/font/iconfont_9eb9a50.woff

我们先把这个文件下载下来，font creator软件打开，看到这个图片我们就明白了字体与数字的关系

字体反爬的解决方案——突破抖音反爬虫机制

这个时候，需要大家安装pip install fontTools,使用fontTool打开ttf文件转化成xml文件

采用以下代码

from fontTools.ttLib import TTFontfont_1 = TTFont('douyin.ttf')font_1.saveXML('font_1.xml')

字体反爬的解决方案——突破抖音反爬虫机制

这个就是我们需要找的映射，配合上面在字体和数字的对应，一起用，这个就破解了。

3. 代码实现字体映射关系

关系映射表

regex_list = [        
{'name': ['0xe602', '0xe60e', '0xe618'], 'value': '1'},        
{'name': ['0xe603', '0xe60d', '0xe616'], 'value': '0'},        
{'name': ['0xe604', '0xe611', '0xe61a'], 'value': '3'},        
{'name': ['0xe605', '0xe610', '0xe617'], 'value': '2'},        
{'name': ['0xe606', '0xe60c', '0xe619'], 'value': '4'},        
{'name': ['0xe607', '0xe60f', '0xe61b'], 'value': '5'},        
{'name': ['0xe608', '0xe612', '0xe61f'], 'value': '6'},        
{'name': ['0xe609', '0xe615', '0xe61e'], 'value': '9'},        
{'name': ['0xe60a', '0xe613', '0xe61c'], 'value': '7'},        
{'name': ['0xe60b', '0xe614', '0xe61d'], 'value': '8'}    ]

4. 完整代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import re
import requests
from lxml import etree

start_url = ' https://www.iesdouyin.com/share/user/88445518961'


def get_real_num(content):
    content = content.replace(' &#', '0').replace('; ', '')
    regex_list = [
        {'name': ['0xe602', '0xe60e', '0xe618'], 'value': '1'},
        {'name': ['0xe603', '0xe60d', '0xe616'], 'value': '0'},
        {'name': ['0xe604', '0xe611', '0xe61a'], 'value': '3'},
        {'name': ['0xe605', '0xe610', '0xe617'], 'value': '2'},
        {'name': ['0xe606', '0xe60c', '0xe619'], 'value': '4'},
        {'name': ['0xe607', '0xe60f', '0xe61b'], 'value': '5'},
        {'name': ['0xe608', '0xe612', '0xe61f'], 'value': '6'},
        {'name': ['0xe609', '0xe615', '0xe61e'], 'value': '9'},
        {'name': ['0xe60a', '0xe613', '0xe61c'], 'value': '7'},
        {'name': ['0xe60b', '0xe614', '0xe61d'], 'value': '8'}
    ]

    for i1 in regex_list:
        for font_code in i1['name']:
            content = re.sub(font_code, str(i1['value']), content)

    html = etree.HTML(content)
    douyin_info = {}
    # 获取抖音ID
    douyin_id = ''.join(html.xpath("//div[@class='personal-card']/div[@class='info1']/p[@class='shortid']/text()"))
    douyin_id = douyin_id.replace('抖音ID：', '').replace(' ', '')
    i_id = ''.join(html.xpath("//div[@class='personal-card']/div[@class='info1']/p[@class='shortid']/i/text()"))
    douyin_info['douyin_id'] = str(douyin_id) + str(i_id)

    # 关注
    douyin_info['follow_count'] = ''.join(html.xpath(
        "//div[@class='personal-card']/div[@class='info2']/p[@class='follow-info']//span[@class='focus block']//i/text()"))
    # 粉丝
    fans_value = ''.join(html.xpath(
        "//div[@class='personal-card']/div[@class='info2']/p[@class='follow-info']//span[@class='follower block']//i[@class='icon iconfont follow-num']/text()"))

    unit = html.xpath(
        "//div[@class='personal-card']/div[@class='info2']/p[@class='follow-info']//span[@class='follower block']/span[@class='num']/text()")
    if unit[-1].strip() == 'w':
        douyin_info['fans'] = str(float(fans_value) / 10) + 'w'
        fans_count = douyin_info['fans'][:-1]
        fans_count = float(fans_count)
        fans_count = fans_count * 10000
        douyin_info['fans_count'] = fans_count
    else:
        douyin_info['fans'] = fans_value
        douyin_info['fans_count'] = fans_value
    # 点赞
    like = ''.join(html.xpath(
        "//div[@class='personal-card']/div[@class='info2']/p[@class='follow-info']//span[@class='liked-num block']//i[@class='icon iconfont follow-num']/text()"))
    unit = html.xpath(
        "//div[@class='personal-card']/div[@class='info2']/p[@class='follow-info']//span[@class='liked-num block']/span[@class='num']/text()")
    if unit[-1].strip() == 'w':
        douyin_info['like'] = str(float(like) / 10) + 'w'
        like_count = douyin_info['like'][:-1]
        like_count = float(like_count)
        like_count = like_count * 10000
        douyin_info['like_count'] = like_count
    else:
        douyin_info['like'] = like
        douyin_info['like_count'] = like

    # 作品
    worko_count = ''.join(html.xpath("//div[@class='video-tab']/div/div[1]//i/text()"))
    douyin_info['work_count'] = worko_count
    return douyin_info


def get_html():
    header = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'
    }
    response = requests.get(url=start_url, headers=header, verify=False)
    return response.text


def run():
    content = get_html()
    info = get_real_num(content)
    print(info)

if __name__ == '__main__':
    run()