猫眼电影
-
打开猫眼电影详情页 http://maoyan.com/films/1198214，查看用户评分和累计票房，发现源码中是乱码。
[图片上传失败...(image-dc93eb-1542801738027)]
-
他们的class都是 "stonefont" ，找到 "stonefont" 的定义。
@font-face {
font-family: stonefont;
src: url('//vfile.meituan.net/colorstone/1881db7c788dfdf9d2d00a926734d0973168.eot');
src: url('//vfile.meituan.net/colorstone/1881db7c788dfdf9d2d00a926734d0973168.eot?#iefix') format('embedded-opentype'),
url('//vfile.meituan.net/colorstone/632958fd02509dc28d915375c3a835e02088.woff') format('woff');
}
.stonefont {
font-family: stonefont;
}
-
刷新几次，看到每次 url 是变化的，确定是动态生成字体，不要紧，生成哪个下载哪个。
-
加载一个页面，把这个字体文件下载下来拿去分析，可能是在文件中数字的地方进行了替换。在网上正好有一片是防止爬虫采集的文章： 利用自定义web-font实现数据防采集，看过后恍然大悟，这不正是我们要的吗，嘿嘿，爬虫是防不住的！
-
用 python 的 fonttools 库提取字体，fonttools 的用法可以网上查找一下
pip3 install fonttools # 安装
- 把 woff 的文件转换成我们熟悉的 xml 格式
from fontTools.ttLib import TTFont # 导包
font = TTFont('./632958fd02509dc28d915375c3a835e02088.woff') # 打开文件
font.saveXML('./6329.xml') # 转换成 xml 文件并保存
-
打开 xml 文件，红框内即为我们要的，略微不同，把 uni 改成 &#x ，后面再加一个分号 。
[图片上传失败...(image-808429-1542801738027)]
-
跟源代码中对应验证一下可以得出他们的对应关系如下。
[图片上传失败...(image-fb6eb3-1542801738027)]
-
用fonttools 可以直接从文件得到这些值
from fontTools.ttLib import TTFont # 导包
font = TTFont('./632958fd02509dc28d915375c3a835e02088.woff') # 打开文件
gly_list = font.getGlyphOrder() # 获取 GlyphOrder 字段的值
for gly in gly_list[2:]: # 前两个值不是我们要的，切片去掉
print(gly) # 打印
- 最后补充完整代码
思路：前面知道字体库是随机的，可以一些提前把能刷新到的下载到本地，抓取页面时，如果已经在本地，直接使用，不在的话再下载下来。
本地目录：字体存在 fonts 目录下
[图片上传失败...(image-df8c9a-1542801738027)]
代码
完整代码
import requests
import re
import os
from fontTools.ttLib import TTFont
class MaoYan(object):
def __init__(self):
self.url = 'http://maoyan.com/films/1198214'
self.headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36"
}
# 发送请求获得响应
def get_html(self, url):
response = requests.get(url, headers=self.headers)
return response.content
# 创建 self.font 属性
def create_font(self, font_file):
# 列出已下载文件
file_list = os.listdir('./fonts')
# 判断是否已下载
if font_file not in file_list:
# 未下载则下载新库
print('不在字体库中, 下载:', font_file)
url = 'http://vfile.meituan.net/colorstone/' + font_file
new_file = self.get_html(url)
with open('./fonts/' + font_file, 'wb') as f:
f.write(new_file)
# 打开字体文件，创建 self.font属性
self.font = TTFont('./fonts/' + font_file)
# 把获取到的数据用字体对应起来，得到真实数据
def modify_data(self, data):
# 获取 GlyphOrder 节点
gly_list = self.font.getGlyphOrder()
# 前两个不是需要的值，截掉
gly_list = gly_list[2:]
# 枚举, number是下标，正好对应真实的数字，gly是乱码
for number, gly in enumerate(gly_list):
# 把 gly 改成网页中的格式
gly = gly.replace('uni', '&#x').lower() + ';'
# 如果 gly 在字符串中，用对应数字替换
if gly in data:
data = data.replace(gly, str(number))
# 返回替换后的字符串
return data
def start_crawl(self):
html = self.get_html(self.url).decode('utf-8')
# 正则匹配字体文件
font_file = re.findall(r'vfile\.meituan\.net\/colorstone\/(\w+\.woff)', html)[0]
self.create_font(font_file)
# 正则匹配星级
star = re.findall(r'<span class="index-left info-num ">\s+<span class="stonefont">(.*?)</span>\s+</span>', html)[0]
star = self.modify_data(star)
# 正则匹配评论的人数
people = ''.join(re.findall(r'''<span class='score-num'><span class="stonefont">(.*?万)</span>(人评分)</span>''', html)[0])
people = self.modify_data(people)
# 正则匹配累计票房
ticket_number = ''.join(re.findall(r'''<span class="stonefont">(.*?)</span><span class="unit">(亿)</span>''', html)[0])
ticket_number = self.modify_data(ticket_number)
print('用户评分: %s 星' % star)
print('评分人数: %s' % people)
print('累计票房: %s' % ticket_number)
if __name__ == '__main__':
maoyan = MaoYan()
maoyan.start_crawl()
网友评论