python处理猫眼字体动态加密

发布于

本文仅从技术层面进行讨论，在使用程序获取互联网上数据时，请务必遵守数据提供方的使用协议，以免造成侵权。

现在网站应对爬虫的手法越来越多，很多能够看到的数据也没法通过代码直接获取。

我们在之前的文章中提到了，大众点评是用了静态字体加密。这次我们抱着学习的态度，以猫眼电影为例来探讨下如何应对动态字体加密。

没有了解过字体加密的小伙伴可以先看看上一篇，本文与上一篇重复的部分就不细讲了。

我们打开猫眼电影票房榜单的首页

https://maoyan.com/board/1

很明显，猫眼电影的榜单进行了字体加密。

让我们回忆一下破解大众点评的步骤：

1、下载网站font字体包

2、将font字体包中导入FontEditor 观察得到乱码与数字的关系

3、前缀替换，并将字体名字和它们所对应的乱码构成一个字典

4、根据字典将加密的数字替换

然而，右键刷新页面，字体文件一直在变：

为了探究一下，我们随便下载3个字体文件，对比看看能不能发现其中的规律。

分别重命名为A.woff，B.woff，C.woff，将他们依次导入FontEditor中打开

其中A字体的1对应的是【uniECC8】

B字体的1对应的是【uniE5FD】

C字体的1对应的是【uniEE6C】

并无规律。

我们再将.woff文件转换成.xml文件，看看字体结构有没有相似之处：

代码语言：javascript
复制
#.woff文件转换成.xml文件
from fontTools.ttLib import TTFont
font = TTFont('./.woff')
font.saveXML('A.xml')

每一个编码都对应一个TTGlyph对象，而许多行的XY坐标点最终绘制成数字。

很多网上的教程到这里就结束了，因为按理说这三个字体的统一数字对应的XY坐标应是一样的。

这说明猫眼最近又新挖了一个坑，继续填坑。

看看上面的三个图，其实他们的XY坐标差异并不大。

所以我们允许在一定范围内的差异就算一样就好啦。

由于有负数，通过abs函数取绝对值

代码语言：javascript
复制
#对比两个坐标的差异
def compare(AA, BB):
    for i in range(5):
        if abs(AA[i][0] - BB[i][0]) < 80 and abs(AA[i][1] - BB[i][1]) < 80:
            pass
        else:
            return False
    return True
#True则可视为是同一个字

这样我们就以某字体基准，无论现在实时的字体是哪一个，只要下载下来，再与该字体进行坐标差异对比，相似的就是同一数字。

在网上找了一张思路图，方便大家理解：

我们下面尝试一下：

1、将新下载的字体文件与base_font对比，找到对应关系

2、前缀替换，并将字体名字和它们所对应的乱码构成一个字典

3、根据字典将加密的数字替换

代码语言：javascript
复制
# 字体解密 
def modify_html(newFont, html):
    basefont = TTFont('./base_font.woff')
    unilist = newFont['cmap'].tables[0].ttFont.getGlyphOrder()
    numlist = []
    base_num = ['6', '3', '7', '1', '5', '9', '0', '4', '2', '8']
    base_unicode = ['uniF0DA', 'uniE907', 'uniED01', 'uniEAE1', 'uniF206',
                   'uniE455', 'uniF401', 'uniE19C', 'uniEB76', 'uniF855']
    for i in range(1, len(unilist)):
        newGlyph = newFont['glyf'][unilist[i]].coordinates
        for j in range(len(base_unicode)):
            baseGlyph = basefont['glyf'][base_unicode[j]].coordinates
            if compare(newGlyph,baseGlyph):
                numlist.append(base_num[j])
                break
    rowList = []
    for i in unilist[2:]:
        i = i.replace('uni', '&#x').lower() + ";"
        rowList.append(i)

dictory = dict(zip(rowList, numlist))
for key in dictory:
    if key in html:
        html = html.replace(key, str(dictory[key]))
return html



返回解密后的html

4、利用正则表达式获取数据

代码语言：javascript
复制
# 正则def parse_page(html):

pattern = re.compile(&#39;&lt;dd&gt;.*?board-index-.*?&gt;(.*?)&lt;/i&gt;.*?src=&#34;(.*?)&#34;.*?&#39;
                     + &#39;title=&#34;(.*?)&#34;.*?class=&#34;star&#34;&gt;(.*?)&lt;/p&gt;.*?releasetime&#34;&gt;(.*?)&lt;/p&gt;.*?&#39;
                     + &#39;realtime&#34;.*?stonefont&#34;&gt;(.*?)&lt;/span&gt;.*?&#39;
                     + &#39;total-boxoffice&#34;.*?stonefont&#34;&gt;(.*?)&lt;/span&gt;.*?&lt;/dd&gt;&#39;, re.S)

items = re.findall(pattern, html)
data = pd.DataFrame(items,columns=[&#39;index&#39;,&#39;image&#39;,&#39;title&#39;,&#39;star&#39;,&#39;releasetime&#39;,&#39;realtime&#39;,&#39;total-boxoffice&#39;])
data[&#39;star&#39;]=data[&#39;star&#39;].str[3:]
data[&#39;releasetime&#39;]=data[&#39;releasetime&#39;].str[5:]
print(data)
return data</code></pre></div></div><p>运行一下。</p><figure class=""><div class="rno-markdown-img-url" style="text-align:center"><div class="rno-markdown-img-url-inner" style="width:89.29%"><div style="width:100%"><img src="https://cdn.static.attains.cn/app/developer-bbs/upload/1723133834446529249.png" /></div></div></div></figure><p>票房数据get✔</p>
#xml#加密#乱码