Python3爬取起猫眼电影实时票房信息，解决文字反爬~~~附源代码

上文解决了起点中文网部分数字反爬的信息，详细链接https://www.cnblogs.com/aby321/p/10214123.html

本文研究另一种文字反爬的机制——猫眼电影实时票房反爬

虽然都是仅仅在“数字”上设置了反爬，相同点与不同点如下：

相同点：

在“数字”上设置了文字反爬
通过浏览器的“检查”显示的是“□”，但是可以在网页源代码中找到映射后的数字
正则爬的是网页源代码，xpath是默认utf-8解析网页数据，用xpath爬出来的也是方框，因此只能使用正则匹配爬取关键数字信息

不同点：

起点中文网：

每次刷新网页，通过正则爬取的数字不发生变化

使用了自定义的文字文件ttf，可爬虫提取ttf的下载地址，通过分析字体文件可以找到映射关系，并且这个映射关系是固定的

猫眼电影：

每次刷新网页（中间间隔几秒时间），通过正则爬取的数字发生变化
无字体文件ttf
在源代码中搜索‘font-face’可查询到一堆字符串，预测应该是base64的编码方式，但是每次刷新网页这段字符串均会发生变化
也就是说即使通过FontTools包将这段字符串转换成ttf文件，但是每次一刷新生成的ttf文件均会发生变化，因此ttf文件中的key和value也都发生了变化

映射关系怎么找呢？

通过研究发现，虽然每次ttf不一样，但是通过ttf生成的xml文件中TTGlyph中的坐标轴所表示的“数”是固定的，这也是我们要寻找的潜在对应关系

举个栗子：
生成的这个ttf通过FontCreator软件查看，例如‘uniE124’对应的是数字‘4’
这个ttf生成的xml文件通过浏览器打开查看‘uniE124’对应的坐标是红色框内的内容；
再次刷新网页，生成了新的ttf文件，重复上两个步骤，可以看到‘uniF878’对应的数字是‘4’，生成的xml文件中‘uniF878’对应的坐标与上个xml中的一样
因此可以断定映射关系为：
任意一次生成的xml中数字潜在对应的坐标是固定的

爬取思路
1. 某次提取网页源代码中的font-face中base64后面一段字符串，生成ttf文件和xml文件，并保存到本地
2. 通过这两个文件研究其坐标和数字的对应关系，这个关系是固定不变的，每次生成的ttt/xml不同但是其内部对应关系都是这个，手动写入字典
本例中的对应关系如下：

    fontdict_local = {
        'uniE346':7,
        'uniE3DB':2,
        'uniE4AC':4,
        'uniE6BF':5,
        'uniEA17':0,
        'uniEBBC':1,
        'uniEF7E':9,
        'uniF227':3,
        'uniF4C0':8,
        'uniF551':6
    }

3. 通过正则匹配爬取网页源代码中设置了反爬机制的数字，并进行数据前期处理

本例中需要进行以“；”分片，去掉“&#x”，判断是否含有小数点“.”，英文字母大小写转换等

4. 最重要的一步，进行比对

因为每次刷新页面或者重新运行程序都相当于会生成一个新的ttf/xml文件，因此需要将新的文件与第1步生成的文件（已保存到本地）进行坐标比对

比如新文件中若有个数字对应的坐标与本地文件中的坐标是一样的，那么就根据第2步的字典判断这个数字，在程序中坐标可以用编码对象替换

local代表是本地的文件

font_local = TTFont('font_face_local.ttf')

codelist_local = font_local.getGlyphNames()[1:-1]#第一个和最后一元素不是0-9的编码

输出（codelist_local其实就是字典的keys，只不过通过读取ttf文件自动获取，但是注意要判断下这个列表，总共有12个元素，有两个元素不是0-9的key）：codelist: ['uniE346', 'uniE3DB', 'uniE4AC', 'uniE6BF', 'uniEA17', 'uniEBBC', 'uniEF7E', 'uniF227', 'uniF4C0', 'uniF551']

    for i in codelist_local:
        obj_local = font_local['glyf'][i]#获取本地字体文件数字0-9的编码对象

输出：

obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465950>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465930>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A30>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465970>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A50>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659B0>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659D0>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465990>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x03465A10>
obj_local: <fontTools.ttLib.tables._g_l_y_f.Glyph object at 0x034659F0>

也就是说本地的编码对象obj_local和codelist_local是一一对应的，并且每次生成的文件获取的编码对象是固定不变的
每次运行生成的文件用同样的方法获取编码对象obj，与obj_local进行比对获取codelist_local值，在通过字典获取可展示的数值，还是通过图说明一下吧

---

源代码

"""
猫眼电影的票房等数据（数字）设置了文字反爬机制
不同于起点中文网能直接看见ttf文件，猫眼的数字反爬更复杂些，主要表现在：
进行了web上的base64编码，并且每次刷新都会变化
通过FontTools可生成ttf和xml文件，但是每次运行生成的文件都不一样
需要找寻其内部固定的映射关系
"""
import requests, time, re, pprint,base64
from fontTools.ttLib import TTFont
from io import BytesIO
from lxml import etree


def get_relation(url):
    """
    获取网页源代码中的font—face中的内容，并保存成.ttf格式的文件
    :param url: <str> 需要解析的网页地址
    :return:<dict> 网页字体（动态变化的）编码与阿拉伯数字的映射关系
    """
    #获取网页源代码中的font—face中的内容
    font_face = re.findall('base64,(.*?)) format',html_data.text,re.S)[0]
    #print(font_face)
    #保存成.ttf格式的文件
    b = base64.b64decode(font_face)
    with open('font_face.ttf','wb') as f:
        f.write(b)
    font = TTFont('font_face.ttf')
    font.saveXML('font_face.xml')#将ttf文件生成xml文件并保存到本地
    codelist = font.getGlyphNames()[1:-1]  # 第一个和最后一元素不是0-9的编码
    font_local = TTFont('font_face_local.ttf')
    font_local.saveXML('font_face_local.xml')
    codelist_local = font_local.getGlyphNames()[1:-1]#第一个和最后一元素不是0-9的编码
    print('codelist:',codelist_local)
    fontdict_local = {
        'uniE346':7,
        'uniE3DB':2,
        'uniE4AC':4,
        'uniE6BF':5,
        'uniEA17':0,
        'uniEBBC':1,
        'uniEF7E':9,
        'uniF227':3,
        'uniF4C0':8,
        'uniF551':6
    }
    key = []
    value = []
    for i in codelist_local:
        obj_local = font_local['glyf'][i]#获取本地字体文件数字0-9的编码对象
        print('obj_local:',obj_local)
        for k in codelist:
            obj = font['glyf'][k]
            #print('obj:',obj)
            if obj == obj_local:
                #print(k,fontdict_local[i])
                key.append(k.strip('uni'))
                value.append(fontdict_local[i])
    dict_relation = dict(zip(key,value))#网页字体（动态变化的）编码与阿拉伯数字的映射关系

    #print('网络文字映射关系：')
    #pprint.pprint(dict_relation)
    return dict_relation


def get_decode_font(numberlist,relation):
    """
    对反爬数字进行解码
    :param numberlist: <list> 直接从网页源代码re获得的需要解码的数字
    :param relation: <dict> 解码所需的映射关系
    :return: <str> 解码后的数字
    """
    data = ''
    for i in numberlist:
        numbers = i.replace('&#x','').upper()
        #print(numbers)
        #小数点没有单独成为里列表的元素，与后面的数字写在了一起，需要判断下
        if len(numbers)==5:
            data += '.'
            numbers = numbers.strip('.')
            #print('numbers:',numbers)
        fanpa_data = str(relation[numbers])
        data += fanpa_data
    print('实时票房（万元）:',data+'
')
    #return data
def get_movie_info(url):
    """
    爬取网页的影片名称和实时票房（网页源代码中未解码的数字）
    :param url:
    :return:
    """
    selector = etree.HTML(html_data.text)
    infos = selector.xpath('//*[@id="ticket_tbody"]/ul')
    boxes = re.findall('<b><i class="cs">(.*?)</i>',html_data.text,re.S)
    for info,i in zip(infos,boxes):
        movie_name = info.xpath('li[1]/b/text()')[0]
        movie_box = i.split(';')[0:-1]
        print('影片名称:',movie_name)
        #print('网页直接获取的影片实时票房:',movie_box)#一维列表形式
        relation = get_relation(url)
        get_decode_font(movie_box,relation)

url = 'https://piaofang.maoyan.com/?ver=normal'
headers = {
    'User-Agent': 'User-Agent:Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
html_data = requests.get(url, headers=headers)
get_movie_info(url)

运行结果：

---

还有一种更加简洁的方法：
找到obj_local和数字的关系写入字典，去掉中间的codelist_local