Python爬取58同城租房数据，破解字体加密

落日映苍穹つ 2022-12-26 07:29 405阅读 0赞

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章来源于CSDN，作者：TRHX • 鲍勃

刚接触Python的新手、小白，可以复制下面的链接去**免费观看Python的基础入门教学视频**

https://v.douyu.com/author/y6AZ4jn9jwKW

![d63dea98dca594b34ae8734ac156ae5b.png][]

# 【1】加密字体攻克思路 #

F12 打开调试模板，通过页面分析，可以观察到，网站里面凡是涉及到有数字的地方，都是显示为乱码，这种情况就是字体加密了，那么是通过什么手段实现字体加密的呢？

CSS 中有一个 @font-face 规则，它允许为网页指定在线字体，也就是说可以引入自定义字体，这个规则本意是用来消除对电脑字体的依赖，现在不少网站也利用这个规则来实现反爬

右侧可以看到网站用的字体，其他的都是常见的微软雅黑，宋体等，但是有一个特殊的：fangchan-secret ，不难看出这应该就是58同城的自定义字体了

![c028a19f153304d565a880ed3a3ff003.png][]

我们通过控制台看到的乱码事实上是由于 unicode 编码导致，查看网页源代码，我们才能看到他真正的编码信息

![3f9549021c6a33ffe93f17e02749236a.png][]

要攻克加密字体，那么我们肯定要分析他的字体文件了，先想办法得到他的加密字体文件，同样查看源代码，在源代码中搜索 fangchan-secret 的字体信息

![8396d02957410386de0d60de6fc1b3cd.png][]

选中的蓝色部分就是 base64 编码的加密字体字符串了，我们将其解码成二进制编码，写进 .woff 的字体文件，这个过程可以通过以下代码实现：

import requests
    import base64
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    
    url = 'https://wh.58.com/chuzu/'
    
    response = requests.get(url=url, headers=headers)
    # 匹配 base64 编码的加密字体字符串
    base64_string = response.text.split("base64,")[1].split("'")[0].strip()
    # 将 base64 编码的字体字符串解码成二进制编码
    bin_data = base64.decodebytes(base64_string.encode())
    # 保存为字体文件
    with open('58font.woff', 'wb') as f:
        f.write(bin_data)

得到字体文件后，我们可以通过 FontCreator 这个软件来看看字体对应的编码是什么：

![6fb2d994b4efa2520b049f7507819e1a.png][]

观察我们在网页源代码中看到的编码：类似于 龤、龒

对比字体文件对应的编码：类似于 uni9FA4、nui9F92

可以看到除了前面三个字符不一样以外，后面的字符都是一样的，只不过英文大小写有所差异

现在我们可能会想到，直接把编码替换成对应的数字不就OK了？然而并没有这么简单

尝试刷新一下网页，可以观察到 base64 编码的加密字体字符串会改变，也就是说编码和数字并不是一一对应的，再次获取几个字体文件，通过对比就可以看出来

![d6a81c49da447c11c3f02b01c57b3e16.png][]

可以看到，虽然每次数字对应的编码都不一样，但是编码总是这10个，是不变的，那么编码与数字之间肯定存在某种对应关系，，我们可以将字体文件转换为 xml 文件来观察其中的对应关系，改进原来的代码即可实现转换功能：

import requests
    import base64
    from fontTools.ttLib import TTFont
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    
    url = 'https://wh.58.com/chuzu/'
    
    response = requests.get(url=url, headers=headers)
    # 匹配 base64 编码的加密字体字符串
    base64_string = response.text.split("base64,")[1].split("'")[0].strip()
    # 将 base64 编码的字体字符串解码成二进制编码
    bin_data = base64.decodebytes(base64_string.encode())
    # 保存为字体文件
    with open('58font.woff', 'wb') as f:
        f.write(bin_data)
    # 获取字体文件，将其转换为xml文件
    font = TTFont('58font.woff')
    font.saveXML('58font.xml')

打开 58font.xml 文件并分析，在<cmap>标签内可以看到熟悉的类似于 0x9476、0x958f 的编码，其后四位字符恰好是网页字体的加密编码，可以看到每一个编码后面都对应了一个 glyph 开头的编码

将其与 58font.woff 文件对比，可以看到 code 为 0x958f 这个编码对应的是数字 3，对应的 name 编码是 glyph00004

![07799e147ce01fa6e716cdec87e832d1.png][]

我们再次获取一个字体文件作为对比分析

![ff41d55c82d08d24c90a7b2495d9ae21.png][]

依然是 0x958f 这个编码，两次对应的 name 分别是 glyph00004 和 glyph00007，两次对应的数字分别是 3 和 6，那么结论就来了，每次发送请求，code 对应的 name 会随机发生变化，而 name 对应的数字不会发生变化，glyph00001 对应数字 0、glyph00002 对应数字 1，以此类推

那么以 glyph 开头的编码是如何对应相应的数字的呢？在 xml 文件里面，每个编码都有一个 TTGlyph 的标签，标签里面是一行一行的类似于 x,y 坐标的东西，这个其实就是用来绘制字体的，用 matplotlib 根据坐标画个图，就可以看到是一个数字

![b0cbdad3d9887b869f8422c316bfd0f5.png][]

此时，我们就知道了编码与数字的对应关系，下一步，我们可以查找 xml 文件里，编码对应的 name 的值，也就是以 glyph 开头的编码，然后返回其对应的数字，再替换掉网页源代码里的编码，就能成功获取到我们需要的信息了！

总结一下攻克加密字体的大致思路：

*  分析网页，找到对应的加密字体文件
 *  如果引用的加密字体是一个 base64 编码的字符串，则需要转换成二进制并保存到 woff 字体文件中
 *  将字体文件转换成 xml 文件
 *  用 FontCreator 软件观察字体文件，结合 xml 文件，分析其编码与真实字体的关系
 *  搞清楚编码与字体的关系后，想办法将编码替换成正常字体

# 【2】思维导图 #

![a342e1f8501e39a38ca8ad821d787c5b.png][]

# 【3】加密字体处理模块 #

# 【3.1】获取字体文件并转换为xml文件 #

def get_font(page_url, page_num):
        response = requests.get(url=page_url, headers=headers)
        # 匹配 base64 编码的加密字体字符串
        base64_string = response.text.split("base64,")[1].split("'")[0].strip()
        # print(base64_string)
        # 将 base64 编码的字体字符串解码成二进制编码
        bin_data = base64.decodebytes(base64_string.encode())
        # 保存为字体文件
        with open('58font.woff', 'wb') as f:
            f.write(bin_data)
        print('第' + str(page_num) + '次访问网页，字体文件保存成功！')
        # 获取字体文件，将其转换为xml文件
        font = TTFont('58font.woff')
        font.saveXML('58font.xml')
        print('已成功将字体文件转换为xml文件！')
        return response.text

由主函数传入要发送请求的 url，利用字符串的 split() 方法，匹配 base64 编码的加密字体字符串，利用 base64 模块的 base64.decodebytes() 方法，将 base64 编码的字体字符串解码成二进制编码并保存为字体文件，利用 FontTools 库，将字体文件转换为 xml 文件

# 【3.2】将加密字体编码与真实字体进行匹配 #

def find_font():
        # 以glyph开头的编码对应的数字
        glyph_list = {
            'glyph00001': '0',
            'glyph00002': '1',
            'glyph00003': '2',
            'glyph00004': '3',
            'glyph00005': '4',
            'glyph00006': '5',
            'glyph00007': '6',
            'glyph00008': '7',
            'glyph00009': '8',
            'glyph00010': '9'
        }
        # 十个加密字体编码
        unicode_list = ['0x9476', '0x958f', '0x993c', '0x9a4b', '0x9e3a', '0x9ea3', '0x9f64', '0x9f92', '0x9fa4', '0x9fa5']
        num_list = []
        # 利用xpath语法匹配xml文件内容
        font_data = etree.parse('./58font.xml')
        for unicode in unicode_list:
            # 依次循环查找xml文件里code对应的name
            result = font_data.xpath("//cmap//map[@code='{}']/@name".format(unicode))[0]
            # print(result)
            # 循环字典的key，如果code对应的name与字典的key相同，则得到key对应的value
            for key in glyph_list.keys():
                if key == result:
                    num_list.append(glyph_list[key])
        print('已成功找到编码所对应的数字！')
        # print(num_list)
        # 返回value列表
        return num_list

由前面的分析，我们知道 name 的值（即以 glyph 开头的编码）对应的数字是固定的，glyph00001 对应数字 0、glyph00002 对应数字 1，以此类推，所以可以将其构造成为一个字典 glyph\_list

同样将十个 code（即类似于 0x9476 的加密字体编码）构造成一个列表

循环查找这十个 code 在 xml 文件里对应的 name 的值，然后将 name 的值与字典文件的 key 值进行对比，如果两者值相同，则获取这个 key 的 value 值，最终得到的列表 num\_list，里面的元素就是 unicode\_list 列表里面每个加密字体的真实值

# 【3.3】替换掉网页中所有的加密字体编码 #

def replace_font(num, page_response):
        # 9476 958F 993C 9A4B 9E3A 9EA3 9F64 9F92 9FA4 9FA5
        result = page_response.replace('鑶', num[0]).replace('閏', num[1]).replace('餼', num[2]).replace('驋', num[3]).replace('鸺', num[4]).replace('麣', num[5]).replace('齤', num[6]).replace('龒', num[7]).replace('龤', num[8]).replace('龥', num[9])
        print('已成功将所有加密字体替换！')
        return result

传入由上一步 find\_font() 函数得到的真实字体的列表，利用 replace() 方法，依次将十个加密字体编码替换掉

# 【4】租房信息提取模块 #

def parse_pages(pages):
        num = 0
        soup = BeautifulSoup(pages, 'lxml')
        # 查找到包含所有租房的li标签
        all_house = soup.find_all('li', class_='house-cell')
        for house in all_house:
            # 标题
            title = house.find('a', class_='strongbox').text.strip()
            # print(title)
    
            # 价格
            price = house.find('div', class_='money').text.strip()
            # print(price)
    
            # 户型和面积
            layout = house.find('p', class_='room').text.replace(' ', '')
            # print(layout)
    
            # 楼盘和地址
            address = house.find('p', class_='infor').text.replace(' ', '').replace('\n', '')
            # print(address)
    
            # 如果存在经纪人
            if house.find('div', class_='jjr'):
                agent = house.find('div', class_='jjr').text.replace(' ', '').replace('\n', '')
            # 如果存在品牌公寓
            elif house.find('p', class_='gongyu'):
                agent = house.find('p', class_='gongyu').text.replace(' ', '').replace('\n', '')
            # 如果存在个人房源
            else:
                agent = house.find('p', class_='geren').text.replace(' ', '').replace('\n', '')
            # print(agent)
    
            data = [title, price, layout, address, agent]
            save_to_mysql(data)
            num += 1
            print('第' + str(num) + '条数据爬取完毕，暂停3秒！')
            time.sleep(3)

利用 BeautifulSoup 解析库很容易提取到相关信息，这里要注意的是，租房信息来源分为三种：经纪人、品牌公寓和个人房源，这三个的元素节点也不一样，因此匹配的时候要注意

![55c31f3416f2eff39a811dff235ace48.png][]

# 【5】MySQL数据储存模块 #

# 【5.1】创建MySQL数据库的表 #

def create_mysql_table():
        db = pymysql.connect(host='localhost', user='root', password='000000', port=3306, db='58tc_spiders')
        cursor = db.cursor()
        sql = 'CREATE TABLE IF NOT EXISTS 58tc_data (title VARCHAR(255) NOT NULL, price VARCHAR(255) NOT NULL, layout VARCHAR(255) NOT NULL, address VARCHAR(255) NOT NULL, agent VARCHAR(255) NOT NULL)'
        cursor.execute(sql)
        db.close()

首先指定数据库为 58tc\_spiders，需要事先使用 MySQL 语句创建，也可以通过 MySQL Workbench 手动创建

然后使用 SQL 语句创建 一个表：58tc\_data，表中包含 title、price、layout、address、agent 五个字段，类型都为 varchar

此创建表的操作也可以事先手动创建，手动创建后就不需要此函数了

# 【5.2】将数据储存到MySQL数据库 #

def save_to_mysql(data):
        db = pymysql.connect(host='localhost', user='root', password='000000', port=3306, db='58tc_spiders')
        cursor = db.cursor()
        sql = 'INSERT INTO 58tc_data(title, price, layout, address, agent) values(%s, %s, %s, %s, %s)'
        try:
            cursor.execute(sql, (data[0], data[1], data[2], data[3], data[4]))
            db.commit()
        except:
            db.rollback()
        db.close()

commit() 方法的作用是实现数据插入，是真正将语句提交到数据库执行的方法，使用 try except 语句实现异常处理，如果执行失败，则调用 rollback() 方法执行数据回滚，保证原数据不被破坏

# 【6】完整代码 #

import requests
    import time
    import random
    import base64
    import pymysql
    from lxml import etree
    from bs4 import BeautifulSoup
    from fontTools.ttLib import TTFont
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
    }
    
    
    # 获取字体文件并转换为xml文件
    def get_font(page_url, page_num):
        response = requests.get(url=page_url, headers=headers)
        # 匹配 base64 编码的加密字体字符串
        base64_string = response.text.split("base64,")[1].split("'")[0].strip()
        # print(base64_string)
        # 将 base64 编码的字体字符串解码成二进制编码
        bin_data = base64.decodebytes(base64_string.encode())
        # 保存为字体文件
        with open('58font.woff', 'wb') as f:
            f.write(bin_data)
        print('第' + str(page_num) + '次访问网页，字体文件保存成功！')
        # 获取字体文件，将其转换为xml文件
        font = TTFont('58font.woff')
        font.saveXML('58font.xml')
        print('已成功将字体文件转换为xml文件！')
        return response.text
    
    
    # 将加密字体编码与真实字体进行匹配
    def find_font():
        # 以glyph开头的编码对应的数字
        glyph_list = {
            'glyph00001': '0',
            'glyph00002': '1',
            'glyph00003': '2',
            'glyph00004': '3',
            'glyph00005': '4',
            'glyph00006': '5',
            'glyph00007': '6',
            'glyph00008': '7',
            'glyph00009': '8',
            'glyph00010': '9'
        }
        # 十个加密字体编码
        unicode_list = ['0x9476', '0x958f', '0x993c', '0x9a4b', '0x9e3a', '0x9ea3', '0x9f64', '0x9f92', '0x9fa4', '0x9fa5']
        num_list = []
        # 利用xpath语法匹配xml文件内容
        font_data = etree.parse('./58font.xml')
        for unicode in unicode_list:
            # 依次循环查找xml文件里code对应的name
            result = font_data.xpath("//cmap//map[@code='{}']/@name".format(unicode))[0]
            # print(result)
            # 循环字典的key，如果code对应的name与字典的key相同，则得到key对应的value
            for key in glyph_list.keys():
                if key == result:
                    num_list.append(glyph_list[key])
        print('已成功找到编码所对应的数字！')
        # print(num_list)
        # 返回value列表
        return num_list
    
    
    # 替换掉网页中所有的加密字体编码
    def replace_font(num, page_response):
        # 9476 958F 993C 9A4B 9E3A 9EA3 9F64 9F92 9FA4 9FA5
        result = page_response.replace('鑶', num[0]).replace('閏', num[1]).replace('餼', num[2]).replace('驋', num[3]).replace('鸺', num[4]).replace('麣', num[5]).replace('齤', num[6]).replace('龒', num[7]).replace('龤', num[8]).replace('龥', num[9])
        print('已成功将所有加密字体替换！')
        return result
    
    
    # 提取租房信息
    def parse_pages(pages):
        num = 0
        soup = BeautifulSoup(pages, 'lxml')
        # 查找到包含所有租房的li标签
        all_house = soup.find_all('li', class_='house-cell')
        for house in all_house:
            # 标题
            title = house.find('a', class_='strongbox').text.strip()
            # print(title)
    
            # 价格
            price = house.find('div', class_='money').text.strip()
            # print(price)
    
            # 户型和面积
            layout = house.find('p', class_='room').text.replace(' ', '')
            # print(layout)
    
            # 楼盘和地址
            address = house.find('p', class_='infor').text.replace(' ', '').replace('\n', '')
            # print(address)
    
            # 如果存在经纪人
            if house.find('div', class_='jjr'):
                agent = house.find('div', class_='jjr').text.replace(' ', '').replace('\n', '')
            # 如果存在品牌公寓
            elif house.find('p', class_='gongyu'):
                agent = house.find('p', class_='gongyu').text.replace(' ', '').replace('\n', '')
            # 如果存在个人房源
            else:
                agent = house.find('p', class_='geren').text.replace(' ', '').replace('\n', '')
            # print(agent)
    
            data = [title, price, layout, address, agent]
            save_to_mysql(data)
            num += 1
            print('第' + str(num) + '条数据爬取完毕，暂停3秒！')
            time.sleep(3)
    
    
    # 创建MySQL数据库的表：58tc_data
    def create_mysql_table():
        db = pymysql.connect(host='localhost', user='root', password='000000', port=3306, db='58tc_spiders')
        cursor = db.cursor()
        sql = 'CREATE TABLE IF NOT EXISTS 58tc_data (title VARCHAR(255) NOT NULL, price VARCHAR(255) NOT NULL, layout VARCHAR(255) NOT NULL, address VARCHAR(255) NOT NULL, agent VARCHAR(255) NOT NULL)'
        cursor.execute(sql)
        db.close()
    
    
    # 将数据储存到MySQL数据库
    def save_to_mysql(data):
        db = pymysql.connect(host='localhost', user='root', password='000000', port=3306, db='58tc_spiders')
        cursor = db.cursor()
        sql = 'INSERT INTO 58tc_data(title, price, layout, address, agent) values(%s, %s, %s, %s, %s)'
        try:
            cursor.execute(sql, (data[0], data[1], data[2], data[3], data[4]))
            db.commit()
        except:
            db.rollback()
        db.close()
    
    
    if __name__ == '__main__':
        create_mysql_table()
        print('MySQL表58tc_data创建成功！')
        for i in range(1, 71):
            url = 'https://wh.58.com/chuzu/pn' + str(i) + '/'
            response = get_font(url, i)
            num_list = find_font()
            pro_pages = replace_font(num_list, response)
            parse_pages(pro_pages)
            print('第' + str(i) + '页数据爬取完毕！')
            time.sleep(random.randint(3, 60))
        print('所有数据爬取完毕！')

# 【7】数据截图 #

![ffcc2d6dfd946f02fb56e329e431efe0.png][]

[d63dea98dca594b34ae8734ac156ae5b.png]: /images/20221120/214bc09462734f8e80ff219e6a4259e4.png
[c028a19f153304d565a880ed3a3ff003.png]: /images/20221120/c3b83efd62104fed83cb2a7b27233cb5.png
[3f9549021c6a33ffe93f17e02749236a.png]: /images/20221120/dd034f89b2904a52ac9f835c9b509ad6.png
[8396d02957410386de0d60de6fc1b3cd.png]: https://img-blog.csdnimg.cn/img_convert/8396d02957410386de0d60de6fc1b3cd.png
[6fb2d994b4efa2520b049f7507819e1a.png]: https://img-blog.csdnimg.cn/img_convert/6fb2d994b4efa2520b049f7507819e1a.png
[d6a81c49da447c11c3f02b01c57b3e16.png]: https://img-blog.csdnimg.cn/img_convert/d6a81c49da447c11c3f02b01c57b3e16.png
[07799e147ce01fa6e716cdec87e832d1.png]: https://img-blog.csdnimg.cn/img_convert/07799e147ce01fa6e716cdec87e832d1.png
[ff41d55c82d08d24c90a7b2495d9ae21.png]: https://img-blog.csdnimg.cn/img_convert/ff41d55c82d08d24c90a7b2495d9ae21.png
[b0cbdad3d9887b869f8422c316bfd0f5.png]: https://img-blog.csdnimg.cn/img_convert/b0cbdad3d9887b869f8422c316bfd0f5.png
[a342e1f8501e39a38ca8ad821d787c5b.png]: https://img-blog.csdnimg.cn/img_convert/a342e1f8501e39a38ca8ad821d787c5b.png
[55c31f3416f2eff39a811dff235ace48.png]: https://img-blog.csdnimg.cn/img_convert/55c31f3416f2eff39a811dff235ace48.png
[ffcc2d6dfd946f02fb56e329e431efe0.png]: https://img-blog.csdnimg.cn/img_convert/ffcc2d6dfd946f02fb56e329e431efe0.png