python字体反爬详解--以某网站字体为例

python字体反爬的一种解决方案

版权声明

请注意：本文章为原创文章，未经本人许可，任何人不得转载和借鉴

问题

目前越来越多的网站升级了应对爬虫的反制手段和措施，网站使用自定义字体或者人们常说的字体反爬，就是其中一种。

描述

这里我们以某网站为例
打开某网站的某一篇政策文章，点击右键、打开检查，或者F12。

可以发现，【申报条件】这个板块里面的文字，和源代码里的文字完全不一样；
比如“申请企业应具备以下条件：”，代码里则对应为：“者合册第应具步以督法快：”；
即使你选中文字，再把它们复制出来，文字粘贴后依然为：“者合册第应具步以督法快：”。

解决方案

解决该问题的一种基本思路是：构建源字体与替换字体的对应关系
比如上文提到的句子：
者合册第应具步以督法快替换为申请企业应具备以下条件
其中： 者>申 | 合>请 | 册>企
假如我们能有这样的一个对应字典

change_font = {
   '者': '申', '合': '请', '册': '企', ... , }

那么我们就能够将网站爬到的所有字体，都替换成正确的文字。

实操过程

1、找到网站的字体文件（ccw.ttf）

F12打开检查后，点击Network，刷新我们刚才访问的政策链接，在众多链接中，找到网站的字体文件链接

然后在浏览器中打开该链接，并保存到本地

2、使用百度字体编辑器

接下来，我们需要用到百度的在线字体编辑器，网址为：http://fontstore.baidu.com/static/editor/index.html
打开该网站后，点击左上角的打开，然后上传刚才保存的字体文件

打开后：

这时候我们就能看到网站字体和编码对应的关系

3、fontTools库

3.1

接下来我们使用python解析字体的常用库：fontTools

>>>from fontTools.ttLib import TTFont
>>>FONT_FILE = r'C:\Users\17337\Downloads\ccw.ttf'
>>>font_file = TTFont(FONT_FILE)
>>>for k, v in font_file['cmap'].getBestCmap().items():
>>>    print(k, v)
33 ampersand
35 greater
36 c
37 asciitilde
38 H
40 q
41 S
.