不止是CSS偏移反爬虫-向日葵屋

不止是CSS偏移反爬虫

墨蓝 2023-07-23 03:45 3阅读 0赞

文章目录

- CSS偏移反爬虫
- - 案例分析
  - 代码说明
  - 效果展示
- 关注不迷路哦

CSS偏移反爬虫

CSS偏移反爬虫指的是利用CSS样式将乱序的文字排本为人类正常阅读顺序的行为。这个概念不是很好理解，我们可以通过对比两端文字来加深对这个概念的理解。
在这里插入图片描述

HTML文本中的文字：我的学号是 1308205，我在北京大学读书。
浏览器显示的文字：我的学号是 1380205，我在北京大学读书。

案例分析

爬虫取到的学号是1308205，但用户在浏览器中看到的却是1380205.如果不细心观察，爬虫工程师很容易被爬取结果糊弄。这种混淆方法和图片伪装一样，是不会影响用户阅读的。让人好奇的是，浏览器如何将HTML文本中的数字按照开发者的意愿排序或放置呢？这种放置规则是如何运行的呢？我们可以通过一个具体的例子来了解CSS偏移反爬虫的应用和绕过方法。
在这里插入图片描述

代码说明

"""
示例：CSS偏移反爬虫示例
网址：http://www.porters.vip/confusion/flight.html
任务：爬取航班查询和机票销售网站页面中的航站名称，
所属航空公司和票价。
"""
import requests
import re
from parsel import Selector
class Css(object):
    def __init__(self):
        self.url = 'http://www.porters.vip/confusion/flight.html'
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36"
        }
    def get_response_from_page(self, url):
        response = requests.get(url, headers=self.headers)
        if response.status_code == 200:
            return response
        else:
            return False
    def get_contnet_from_page(self):
        response = self.get_response_from_page(self.url).text
        sel = Selector(response)
        em = sel.css('em.rel').extract()
        for element in em:
            element = Selector(element)
            #定位所以的<b>标签
            element_b = element.css('b').extract()
            # print(element_b)
            bl = Selector(element_b.pop(0))
            base_price = bl.css('i::text').extract()
            print(base_price)
            alternate_price = []
            for eb in element_b:
                eb = Selector(eb)
                #提取<b>标签的style属性
                style = eb.css('b::attr("style")').get()
                #获得具体的位置
                position = ''.join(re.findall(r'left:(.*?)px',style))
                #获取该标签下的数字
                value = eb.css('b::text').get()
                #将<b>标签的位置信息和数字以字典的格式添加到替补票价列表中
                alternate_price.append({'position':position,'value':value})
            for al in alternate_price:
                position = int(al.get('position'))
                value = al.get('value')
                #判断位置的数值是否正整数
                puls = True if position >= 0 else False
                #计算下标，以16px为基准
                index = int(position / 16)
                #替换第一对<b>标签值列表中的元素，也就是完整值覆盖操作
                base_price[index] = value
            print(base_price)
if __name__ == '__main__':
    css = Css()
    css.get_contnet_from_page()