字体反爬之实习僧

炎热的暑假过后，就是新一轮的春招了，甚至很多公司都已经开始了提前批招聘。在正式进入职场之前，找一份实习来提升自己对工作，对岗位的熟悉程度也是非常有必要的。今天我们就来爬取一下实习僧的岗位招聘数据吧！

网页分析

我们进入实习僧官网，输入“算法”，即搜寻算法相关岗位，观察发现，该网站也采用了字体反爬，“实习生”的“生”字在源代码中显示为小方框。

我们注意到右边有展示出所用的字体形式：myFont。接着我们可以在网页源代码中搜索myFont，果然让我们找到了字体文件。

把这个url与实习僧官网进行拼接，我们便可以将实习僧的字体文件下载到本地。通过fontTools库将字体文件以xml的形式展示出来。该文件会以一定频率更新，我们再次抓取字体文件也以xml的形式展示。发现其name完全相同，通过FontCreator发现它们所表示的字体也完全相同，那么究竟是哪里不同呢？

仔细观察xml，我们发现它们的字体编码不同。而其uniname是字符对应的unicode编码，如网页源代码中的“机器学习实习&#xe73a”，对应于uni751F，对应“生”字。只要能将字体的编码在源代码中替换成对应字体，我们就可以解决实习僧的字体反爬问题。

构造字典

我们可以通过正则表达式提取xml中的字体的unicode，并将其通过encode('utf-8')进行编码，再通过decode('unicode_escape')解码出汉字。

把字体的编码当成key，真实的字体当成value，构造成替换字典。

具体构造字典代码如下：

def get_dict():   
    '''
    输入：无
    输出：字体文件对应的字体字典（包含字体编码和对应字体）以及字体编码
    '''
    r=requests.get('https://www.shixiseng.com/interns/iconfonts/file')
    with open ('new_font.woff','wb') as f:
        f.write(r.content)
    font1=TTFont('new_font.woff')
    font1.saveXML('new_font.xml')

    with open('new_font.xml') as f:
        xml=f.read()
    keys=re.findall('<map code="(0x.*?)" name="uni.*?"/>',xml)[:99]
    values=re.findall('<map code="0x.*?" name="uni(.*?)"/>',xml)[:99]
    for i in range(len(values)):
        if len(values[i])<4:
            values[i]=('\\u00'+values[i]).encode('utf-8').decode('unicode_escape')
        else:
            values[i]=('\\u'+values[i]).encode('utf-8').decode('unicode_escape')
    word_dict=dict(zip(keys, values))
    # print(word_dict)
    return word_dict,keys

整体逻辑

上面我们分析了本次爬取的关键点：字体反爬。接下来我们来整理一下整个爬虫的逻辑。

首先是获取字体字典，接着将网页源代码中的编码替换成人们可读的字体形式，然后就是分析爬取页面，利用xpath或css或BeautifulSoup等对网页源代码进行解析，提取出想要的关键信息，最后将数据存入txt文档或者其他数据库之中。下图是部分爬取结果。

本文的全部代码等所需文件已全部上传至后台，回复“实习僧”即可获得。

喜欢就点个赞吧❤