Python爬取58同城租房数据，破解字体加密[Python基础]

  • Z时代
  • 2024-01-10
  • 分类：综合

python

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于CSDN，作者：TRHX • 鲍勃

刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频

https://v.douyu.com/author/y6AZ4jn9jwKW

 

【1】加密字体攻克思路

F12 打开调试模板，通过页面分析，可以观察到，网站里面凡是涉及到有数字的地方，都是显示为乱码，这种情况就是字体加密了，那么是通过什么手段实现字体加密的呢？

CSS 中有一个 @font-face 规则，它允许为网页指定在线字体，也就是说可以引入自定义字体，这个规则本意是用来消除对电脑字体的依赖，现在不少网站也利用这个规则来实现反爬

右侧可以看到网站用的字体，其他的都是常见的微软雅黑，宋体等，但是有一个特殊的：fangchan-secret ，不难看出这应该就是58同城的自定义字体了

 

我们通过控制台看到的乱码事实上是由于 unicode 编码导致，查看网页源代码，我们才能看到他真正的编码信息

 

要攻克加密字体，那么我们肯定要分析他的字体文件了，先想办法得到他的加密字体文件，同样查看源代码，在源代码中搜索 fangchan-secret 的字体信息

 

选中的蓝色部分就是 base64 编码的加密字体字符串了，我们将其解码成二进制编码，写进 .woff 的字体文件，这个过程可以通过以下代码实现：

import requests
import base64
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"
}
url = "https://wh.58.com/chuzu/"
response = requests.get(url=url, headers=headers)
# 匹配 base64 编码的加密字体字符串
base64_string = response.text.split("base64,")[1].split(""")[0].strip()
# 将 base64 编码的字体字符串解码成二进制编码
bin_data = base64.decodebytes(base64_string.encode())
# 保存为字体文件
with open("58font.woff", "wb") as f:
    f.write(bin_data)

得到字体文件后，我们可以通过 FontCreator 这个软件来看看字体对应的编码是什么：

 

观察我们在网页源代码中看到的编码：类似于 龤、龒

对比字体文件对应的编码：类似于 uni9FA4、nui9F92

可以看到除了前面三个字符不一样以外，后面的字符都是一样的，只不过英文大小写有所差异

现在我们可能会想到，直接把编码替换成对应的数字不就OK了？然而并没有这么简单

尝试刷新一下网页，可以观察到 base64 编码的加密字体字符串会改变，也就是说编码和数字并不是一一对应的，再次获取几个字体文件，通过对比就可以看出来

 

可以看到，虽然每次数字对应的编码都不一样，但是编码总是这10个，是不变的，那么编码与数字之间肯定存在某种对应关系，，我们可以将字体文件转换为 xml 文件来观察其中的对应关系，改进原来的代码即可实现转换功能：

import requests
import base64
from fontTools.ttLib import TTFont
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"
}
url = "https://wh.58.com/chuzu/"
response = requests.get(url=url, headers=headers)
# 匹配 base64 编码的加密字体字符串
base64_string = response.text.split("base64,")[1].split(""")[0].strip()
# 将 base64 编码的字体字符串解码成二进制编码
bin_data = base64.decodebytes(base64_string.encode())
# 保存为字体文件
with open("58font.woff", "wb") as f:
    f.write(bin_data)
# 获取字体文件，将其转换为xml文件
font = TTFont("58font.woff")
font.saveXML("58font.xml")

打开 58font.xml 文件并分析，在<cmap>标签内可以看到熟悉的类似于 0x9476、0x958f 的编码，其后四位字符恰好是网页字体的加密编码，可以看到每一个编码后面都对应了一个 glyph 开头的编码

将其与 58font.woff 文件对比，可以看到 code 为 0x958f 这个编码对应的是数字 3，对应的 name 编码是 glyph00004

 

我们再次获取一个字体文件作为对比分析

 

依然是 0x958f 这个编码，两次对应的 name 分别是 glyph00004 和 glyph00007，两次对应的数字分别是 3 和 6，那么结论就来了，每次发送请求，code 对应的 name 会随机发生变化，而 name 对应的数字不会发生变化，glyph00001 对应数字 0、glyph00002 对应数字 1，以此类推

那么以 glyph 开头的编码是如何对应相应的数字的呢？在 xml 文件里面，每个编码都有一个 TTGlyph 的标签，标签里面是一行一行的类似于 x,y 坐标的东西，这个其实就是用来绘制字体的，用 matplotlib 根据坐标画个图，就可以看到是一个数字

 

此时，我们就知道了编码与数字的对应关系，下一步，我们可以查找 xml 文件里，编码对应的 name 的值，也就是以 glyph 开头的编码，然后返回其对应的数字，再替换掉网页源代码里的编码，就能成功获取到我们需要的信息了！

总结一下攻克加密字体的大致思路：

  • 分析网页，找到对应的加密字体文件

  • 如果引用的加密字体是一个 base64 编码的字符串，则需要转换成二进制并保存到 woff 字体文件中

  • 将字体文件转换成 xml 文件

  • 用 FontCreator 软件观察字体文件，结合 xml 文件，分析其编码与真实字体的关系

  • 搞清楚编码与字体的关系后，想办法将编码替换成正常字体

【2】思维导图

 

【3】加密字体处理模块

【3.1】获取字体文件并转换为xml文件

def get_font(page_url, page_num):
    response = requests.get(url=page_url, headers=headers)
# 匹配 base64 编码的加密字体字符串
    base64_string = response.text.split("base64,")[1].split(""")[0].strip()
# print(base64_string)
# 将 base64 编码的字体字符串解码成二进制编码
    bin_data = base64.decodebytes(base64_string.encode())
# 保存为字体文件
    with open("58font.woff", "wb") as f:
        f.write(bin_data)
print("第" + str(page_num) + "次访问网页，字体文件保存成功！")
# 获取字体文件，将其转换为xml文件
    font = TTFont("58font.woff")
    font.saveXML("58font.xml")
print("已成功将字体文件转换为xml文件！")
return response.text

由主函数传入要发送请求的 url，利用字符串的 split() 方法，匹配 base64 编码的加密字体字符串，利用 base64 模块的 base64.decodebytes() 方法，将 base64 编码的字体字符串解码成二进制编码并保存为字体文件，利用 FontTools 库，将字体文件转换为 xml 文件

【3.2】将加密字体编码与真实字体进行匹配

def find_font():
# 以glyph开头的编码对应的数字
    glyph_list = {
"glyph00001": "0",
"glyph00002": "1",
"glyph00003": "2",
"glyph00004": "3",
"glyph00005": "4",
"glyph00006": "5",
"glyph00007": "6",
"glyph00008": "7",
"glyph00009": "8",
"glyph00010": "9"
    }
# 十个加密字体编码
    unicode_list = ["0x9476", "0x958f", "0x993c", "0x9a4b", "0x9e3a", "0x9ea3", "0x9f64", "0x9f92", "0x9fa4", "0x9fa5"]
    num_list = []
# 利用xpath语法匹配xml文件内容
    font_data = etree.parse("./58font.xml")
for unicode in unicode_list:
# 依次循环查找xml文件里code对应的name
        result = font_data.xpath("//cmap//map[@code="{}"]/@name".format(unicode))[0]
# print(result)
# 循环字典的key，如果code对应的name与字典的key相同，则得到key对应的value
for key in glyph_list.keys():
if key == result:
                num_list.append(glyph_list[key])
print("已成功找到编码所对应的数字！")
# print(num_list)
# 返回value列表
return num_list

由前面的分析，我们知道 name 的值（即以 glyph 开头的编码）对应的数字是固定的，glyph00001 对应数字 0、glyph00002 对应数字 1，以此类推，所以可以将其构造成为一个字典 glyph_list

同样将十个 code（即类似于 0x9476 的加密字体编码）构造成一个列表

循环查找这十个 code 在 xml 文件里对应的 name 的值，然后将 name 的值与字典文件的 key 值进行对比，如果两者值相同，则获取这个 key 的 value 值，最终得到的列表 num_list，里面的元素就是 unicode_list 列表里面每个加密字体的真实值

【3.3】替换掉网页中所有的加密字体编码

def replace_font(num, page_response):
# 9476 958F 993C 9A4B 9E3A 9EA3 9F64 9F92 9FA4 9FA5
    result = page_response.replace("鑶", num[0]).replace("閏", num[1]).replace("餼", num[2]).replace("驋", num[3]).replace("鸺", num[4]).replace("麣", num[5]).replace("齤", num[6]).replace("龒", num[7]).replace("龤", num[8]).replace("龥", num[9])
print("已成功将所有加密字体替换！")
return result

传入由上一步 find_font() 函数得到的真实字体的列表，利用 replace() 方法，依次将十个加密字体编码替换掉

【4】租房信息提取模块

def parse_pages(pages):
    num = 0
    soup = BeautifulSoup(pages, "lxml")
# 查找到包含所有租房的li标签
    all_house = soup.find_all("li", class_="house-cell")
for house in all_house:
# 标题
        title = house.find("a", class_="spanbox").text.strip()
# print(title)
# 价格
        price = house.find("div", class_="money").text.strip()
# print(price)
# 户型和面积
        layout = house.find("p", class_="room").text.replace("", "")
# print(layout)
# 楼盘和地址
        address = house.find("p", class_="infor").text.replace("", "").replace("
", "")
# print(address)
# 如果存在经纪人
if house.find("div", class_="jjr"):
            agent = house.find("div", class_="jjr").text.replace("", "").replace("
", "")
# 如果存在品牌公寓
elif house.find("p", class_="gongyu"):
            agent = house.find("p", class_="gongyu").text.replace("", "").replace("
", "")
# 如果存在个人房源
else:
            agent = house.find("p", class_="geren").text.replace("", "").replace("
", "")
# print(agent)
        data = [title, price, layout, address, agent]
        save_to_mysql(data)
        num += 1
print("第" + str(num) + "条数据爬取完毕，暂停3秒！")
        time.sleep(3)

利用 BeautifulSoup 解析库很容易提取到相关信息，这里要注意的是，租房信息来源分为三种：经纪人、品牌公寓和个人房源，这三个的元素节点也不一样，因此匹配的时候要注意

 

【5】MySQL数据储存模块

【5.1】创建MySQL数据库的表

def create_mysql_table():
    db = pymysql.connect(host="localhost", user="root", password="000000", port=3306, db="58tc_spiders")
    cursor = db.cursor()
    sql = "CREATE TABLE IF NOT EXISTS 58tc_data (title VARCHAR(255) NOT NULL, price VARCHAR(255) NOT NULL, layout VARCHAR(255) NOT NULL, address VARCHAR(255) NOT NULL, agent VARCHAR(255) NOT NULL)"
    cursor.execute(sql)
    db.close()

首先指定数据库为 58tc_spiders，需要事先使用 MySQL 语句创建，也可以通过 MySQL Workbench 手动创建

然后使用 SQL 语句创建 一个表：58tc_data，表中包含 title、price、layout、address、agent 五个字段，类型都为 varchar

此创建表的操作也可以事先手动创建，手动创建后就不需要此函数了

【5.2】将数据储存到MySQL数据库

def save_to_mysql(data):
    db = pymysql.connect(host="localhost", user="root", password="000000", port=3306, db="58tc_spiders")
    cursor = db.cursor()
    sql = "INSERT INTO 58tc_data(title, price, layout, address, agent) values(%s, %s, %s, %s, %s)"
try:
        cursor.execute(sql, (data[0], data[1], data[2], data[3], data[4]))
        db.commit()
except:
        db.rollback()
    db.close()

commit() 方法的作用是实现数据插入，是真正将语句提交到数据库执行的方法，使用 try except 语句实现异常处理，如果执行失败，则调用 rollback() 方法执行数据回滚，保证原数据不被破坏

【6】完整代码

import requests
import time
import random
import base64
import pymysql
from lxml import etree
from bs4 import BeautifulSoup
from fontTools.ttLib import TTFont
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36"
}
# 获取字体文件并转换为xml文件
def get_font(page_url, page_num):
    response = requests.get(url=page_url, headers=headers)
# 匹配 base64 编码的加密字体字符串
    base64_string = response.text.split("base64,")[1].split(""")[0].strip()
# print(base64_string)
# 将 base64 编码的字体字符串解码成二进制编码
    bin_data = base64.decodebytes(base64_string.encode())
# 保存为字体文件
    with open("58font.woff", "wb") as f:
        f.write(bin_data)
print("第" + str(page_num) + "次访问网页，字体文件保存成功！")
# 获取字体文件，将其转换为xml文件
    font = TTFont("58font.woff")
    font.saveXML("58font.xml")
print("已成功将字体文件转换为xml文件！")
return response.text
# 将加密字体编码与真实字体进行匹配
def find_font():
# 以glyph开头的编码对应的数字
    glyph_list = {
"glyph00001": "0",
"glyph00002": "1",
"glyph00003": "2",
"glyph00004": "3",
"glyph00005": "4",
"glyph00006": "5",
"glyph00007": "6",
"glyph00008": "7",
"glyph00009": "8",
"glyph00010": "9"
    }
# 十个加密字体编码
    unicode_list = ["0x9476", "0x958f", "0x993c", "0x9a4b", "0x9e3a", "0x9ea3", "0x9f64", "0x9f92", "0x9fa4", "0x9fa5"]
    num_list = []
# 利用xpath语法匹配xml文件内容
    font_data = etree.parse("./58font.xml")
for unicode in unicode_list:
# 依次循环查找xml文件里code对应的name
        result = font_data.xpath("//cmap//map[@code="{}"]/@name".format(unicode))[0]
# print(result)
# 循环字典的key，如果code对应的name与字典的key相同，则得到key对应的value
for key in glyph_list.keys():
if key == result:
                num_list.append(glyph_list[key])
print("已成功找到编码所对应的数字！")
# print(num_list)
# 返回value列表
return num_list
# 替换掉网页中所有的加密字体编码
def replace_font(num, page_response):
# 9476 958F 993C 9A4B 9E3A 9EA3 9F64 9F92 9FA4 9FA5
    result = page_response.replace("鑶", num[0]).replace("閏", num[1]).replace("餼", num[2]).replace("驋", num[3]).replace("鸺", num[4]).replace("麣", num[5]).replace("齤", num[6]).replace("龒", num[7]).replace("龤", num[8]).replace("龥", num[9])
print("已成功将所有加密字体替换！")
return result
# 提取租房信息
def parse_pages(pages):
    num = 0
    soup = BeautifulSoup(pages, "lxml")
# 查找到包含所有租房的li标签
    all_house = soup.find_all("li", class_="house-cell")
for house in all_house:
# 标题
        title = house.find("a", class_="spanbox").text.strip()
# print(title)
# 价格
        price = house.find("div", class_="money").text.strip()
# print(price)
# 户型和面积
        layout = house.find("p", class_="room").text.replace("", "")
# print(layout)
# 楼盘和地址
        address = house.find("p", class_="infor").text.replace("", "").replace("
", "")
# print(address)
# 如果存在经纪人
if house.find("div", class_="jjr"):
            agent = house.find("div", class_="jjr").text.replace("", "").replace("
", "")
# 如果存在品牌公寓
elif house.find("p", class_="gongyu"):
            agent = house.find("p", class_="gongyu").text.replace("", "").replace("
", "")
# 如果存在个人房源
else:
            agent = house.find("p", class_="geren").text.replace("", "").replace("
", "")
# print(agent)
        data = [title, price, layout, address, agent]
        save_to_mysql(data)
        num += 1
print("第" + str(num) + "条数据爬取完毕，暂停3秒！")
        time.sleep(3)
# 创建MySQL数据库的表：58tc_data
def create_mysql_table():
    db = pymysql.connect(host="localhost", user="root", password="000000", port=3306, db="58tc_spiders")
    cursor = db.cursor()
    sql = "CREATE TABLE IF NOT EXISTS 58tc_data (title VARCHAR(255) NOT NULL, price VARCHAR(255) NOT NULL, layout VARCHAR(255) NOT NULL, address VARCHAR(255) NOT NULL, agent VARCHAR(255) NOT NULL)"
    cursor.execute(sql)
    db.close()
# 将数据储存到MySQL数据库
def save_to_mysql(data):
    db = pymysql.connect(host="localhost", user="root", password="000000", port=3306, db="
以上是 Python爬取58同城租房数据，破解字体加密[Python基础] 的全部内容，
                        来源链接：
                            utcz.com/z/529896.html
回到顶部