web爬虫——某电影网站字体反爬

某电影网站字体反爬

爱好学习及分享，若文章侵权，优先联系本人删帖处理。

几个关键点

1. base字体文件分析

   • 打开目标网页，找到woff文件链接

   

   • 下载该woff文件，并在字体编辑器里打开

   

   • 记录下数字与字符的对应关系

   

   • 将字体文件转xml进行查看（需要安装fontTools => pip install fontTools即可）

   

   • 在文件中<cmap>标签下可以看到对应关系（uniE067 对应编码为 0xE067，而在网页上显示为 &#xe067）

   

   • 从xml文件中我们可以看到0-9这10个数字的编码，那问题每次请求页面的时候都是返回一个新的编码，那就不能用这个直接去套用新的编码了。（不能说这次0xE067是4，那下一次也是0xE067对应4，这是不对的。看一个新的xml）

   

   • 仅仅通过对比编码来看，两个字体文件没有半毛钱关系。但是我们怎么去通过一个base字体文件的特征去识别新的字体文件呢？
   • 这里其实每个字体都是由多个点组成的，而下面<pt>标签中的代表点的坐标。

   

   • 这里使用一种最简单的方式（两点间距离公式）。遍历new字体每个字的坐标系，将一个字前10个坐标依次和base的字体的前十坐标计算距离，并求和，最后得到10个距离值（因为需要对比0-9，这10个数字），其中距离值最小的一个值所对应的数字（key）就是当前new字体的数字（key）。

2. 每次请求获取new字体文件

   

3. 具体对比

   

4. 结果对照