这次我们来说点爬虫稍微进阶一点的
关于如何破解 css 加密后的数据
别急
我们先站在对方的角度
想一想
假如我们现在有一个网站
这个网站有些关键的数据信息
不想给别人那么轻易的爬取到
你会怎么做呢？
一个可执行的方法
就是将关键数据通过 css 加密
这样的话
当别人通过 requests 来
请求我们的网站的时候
返回的 HTML 里面就
得不到关键的数据了
举个例子
简单写一个帅b的页面
这时候我们通过 requests 去请求
在这里请求的是本地的网页
所以需要挂载一下 FileAdapter
接着会得到这样的源代码
（应该这样写：<p></p>）
问题来了
怎么把帅b的个人信息搞一下
让返回的 HTML 里面拿不到呢
可以通过添加 css 来打乱顺序
就以「姓名」为例
来定义一个 css 的类元素
这里定义了两个属性
一个是用来将它移除屏幕
一个就是不要占了行高
反正就是用来隐藏我们的干扰信息
接着 HTML 就可以这样写
再来定义一个 css 属性
意思就是说
在 EFG 选择器的这个标签后追加内容
所以我们真正的代码就是这样
那么这时候普通用户看到的网页
是可以看到关键信息的
而这个时候
你来爬取得到的却是这样的
得到的结果是不是
可以让你懵逼一会了？
一些没耐心的人
看到这里应该就不打算爬下去了
哈哈哈
当然了
这只是 css 一种反爬的思路
实际运用到项目中
还是有点复杂的
比如大众点评的网站…
那么接下来就是
学习 python 的正确姿势
来看看大众点评的广州按摩店
假设你想爬取这些数据
你开始性冲冲的看它的源码
结果发现，我去
怎么数字变成一个方块？
我们来看看它的 css
这里定义了一个 PingFangSC-Regular 的字体
猫腻应该就出在这里了
我们去掉 css 定义的字体
可以看到数字也跟着消失
这个是时候你是不是好像发现了什么
来看看这个页面的源代码文件
每个数字都是变成了
&#x开头的神秘代码
这个时候你是不是
又好像发现了什么
这其实就是一种 css 的加密方式
加密自定义字体
让你爬取的时候拿不到关键的数据
还是得先站在对方的角度
想想这种丧尽天良的方式
到底是怎么做到的呢？
这就要从前端的开发说起了
下面请开始听小帅b吹水
在我们的电脑里面
都有一些字体库
比如什么宋体啊，黑体啊等等
所以你在上网的时候
看到的网页的字体都差不多
没有什么千差万别的情况
但是有些公司想要自家的
网页上的文字更加炫酷一点
就是想要不一样
就是要显得牛逼
比如苹果的官网
就整了一些自定义的字体
而要实现这种方式
在 css3 中定义字体和字体文件路径
就可以使用了
@font-face {font-family: "自定义字体的名称";src: "自定义字体的路径"}
接下来
就在一开始的帅b页面中
实现一下像大众点评这样的反爬吧
可以在以下链接下载苹方字体
我们要对字体的数字加密
可以使用 fonttools 来提取数字
pip install fonttools安装好了之后就可以使用
如下命令来提取了
pyftsubset /home/shuaib/Desktop/PingFang-SC-Regular.ttf --text="1234567890" --output-file="PingFang-Num.tty"这里的
/home/shuaib/Desktop/PingFang-SC-Regular.ttf
是你下载的字体文件路径
–text=”1234567890″
是你要提取的内容
–output-file=”PingFang-Num.tty”
定义你提取后的字体文件
ok
运行之后你在该路径下
就会生成一个新的字体文件了
打开看就都是数字啦
有了数字字体文件之后
接下来就是对字体加密了
以下这个网站可以对字体加密
不过这个网站仅支持 svg 格式的
所以我们可以把 ttf 转化成 svg 格式
小帅b发现这个网站不错
那就转化一波呗
下载下来之后
再回到 fontello
把 svg 拖进去
然后就变成这个样子
选中要加密的字
然后点击
Customize Codes
这时候就可以对字加密啦
接着点击右上角
下载加密后的字体文件
- 那么现在
- 我们就有了所需要的文件了
赶紧在帅b的页面试试看吧
首先定义一下
我们自定义文件的路径和名称
比如这里我们的字体就叫帅b
接着我们就可以使用刚刚加密的 code 了
打开网页
可以看到数字正常显示
而源码
变成了方块了
字体也指向了shuaib
是不是和大众点评的一模一样了
至此
你已经知道了对方的套路了
那么现在让你去爬取这样的网站
你知道怎么爬取吗？
除此之外
还有别的加密方式吗？
我们下回再一起探讨探讨