汽车之家论坛爬虫

新闻媒体新闻案例ID：144032

Lee

2 年经验· 北京**科技发展有限公司

微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

需求汽车之家论坛数据，主要是问答方面的数据，经过一番研究，发现网站的反爬手段是现在较为常见的字体反爬。

目前越来越多的网站开始使用字体反爬的手段来限制spider对网站的抓取。

做项目之前也看了网上很多字体反爬的案列，但是基本都是针对一个单独页面，换一个页面就会出现偏差，那就没意义了。

字体加密反爬也就是自定义字体反爬，通过调用自定义的ttf文件来渲染网页中的文字，而网页中的文字不再是文字，而是相应的字体编码，通过复制或者简单的采集是无法采集到编码后的文字内容！

字体文件分为两种，一种是网站的标准字体库，也就是文本中出现这几个字的话，就会自动被编码，目前标准库中的字体是50个。第二种是网站每个页面中加载出来的ttf文件，从源码中获取ttf文件，再根据ttf文件中的文字图形位置再爬虫代码中做一个映射，然后使用程序动态获取到采集的每一篇文章，使用fonttools类工具（该工具是python专门操作字体的库，pip3 install fonttools可以直接下载）来循环对比本地之前下载的标本中的字体信息，比较文本字体和标准字体坐标差，最后再做对应，如此一来，反爬就轻松被破了。