字体反爬之博X网实战-轻识

作者 | 老肥
来源 | 老肥码码码

今天的目标网站是某彩票网站博X网。其主要的反爬技术为字体反爬，话不多说，我们直接开始！

我们想要获取的是具体的开奖号码，此号码是通过蓝色的小球表示的，如何获取呢？

观察NetWork后，我们很容易发现这些号码数据等信息都以json的形式放在下图红色圈出的html页面中。

而这些号码数据是以类似于󿓥这种形式表示的（上图中蓝色框部分）。

因此，我们的爬取路线可以分两步走，先设法获取该json数据，继而通过某种方式将数据中的编码转换为正常的数字。

JSON获取

观察该页面的Headers数据，可知为POST请求，其表单数据格式如下图所示，

反复刷新页面发现code和limit是固定的参数，而path是不断变化的，因而我们需要找到path参数才能够构造POST请求访问页面并获取数据。

我们复制当前的path参数到搜索框搜索，发现有两个页面包含该path参数。

txffc.html这个页面正是我们爬取的目标页面，我们只需要从该页面的网页源代码中通过正则表达式获取该path参数即可，也就是代码中的woff_id。

从另外一个页面，我们可以下载对应path的woff字体文件，并借此解码出这些数据，后面会详细讲。

得到path参数之后，我们可以轻松的构建POST请求，并获取到相应的json数据，这里建议选择Headers参数的时候，除了User-Agent，记得将网页请求携带的所有参数带上，以防无法正常获取数据。

字体反爬

上面讲到，根据path我们已经可以获取相应的woff文件，用FontCreator打开看看。

我们可以看到0-9一共十个数字，json数据中的󿓥正是通过这样的字体文件转换的。

这里出现了几个难点。

字体文件实时变化，人工的方法只能每爬取一次，根据woff文件做一次转换，来得到想要的数据；
不同时刻字体文件有些出入，比如上图包含很多问号也就是无效的字符，而有些则不包含，比如下图；
这些字体对象的name和code不一致（与猫眼等网站不同），需要构建新的映射关系；
数字9的字体坐标位置并不完全相同。

这些问题自然是需要一个一个来解决。首先我们需要一个参照系，人工标识出字体的对应关系(base_dict)，从而当新字体文件引入的时候，我们可以根据这个参照获得新的映射关系。

base_dict={'glyph00009': 7, 'glyph00013': 2, 'glyph00018': 1, 'glyph00023': 6, 'glyph00028': 9, 'glyph00030': 8,'glyph00034': 4, 'glyph00039': 5, 'glyph00044': 3, 'glyph00048': 0}

通过get_new_name_list函数来筛选出有效的字体，上述的问号字体是不存在coordinates属性的。

由于该网站不同的字体文件数字9的坐标位置有些许不同，这里采用对比字体前十个坐标来做判断，如果完全相同，则认为对应的字体是相同的数字。

我们由此可以得到新的字典new_dict——它的键为新字体文件的字体对象的name，值为字体对应的数字。

{'glyph00002': 6, 'glyph00003': 1, 'glyph00004': 0, 'glyph00005': 4, 'glyph00006': 7, 'glyph00007': 5, 'glyph00008': 8, 'glyph00009': 9, 'glyph00010': 3, 'glyph00011': 2}

接着为了对应编码与数字，我们需要重新建立新的字体映射表。通过getBestCmap函数，获取对应字体的name与code之间的关系，由此我们可以得到映射表——键为编码，值为数字，需要注意的是由于getBestCmap()会将内容转化为10进制，因此在后面存入字典的时候需要转化为16进制。

通过该映射表，我们可以轻松将获取地json数据相关部分转换为可读的数字。至此，我们就成功地解决了该网站的字体反爬。关于其他几个经典的字体反爬网站，可以参考专辑里面的文章~

——END——