网络字体反爬之起点中文小说

前几天跟同事聊到最近在看什么小说，想起之前看过一篇文章说的是网络十大水文，就想把起点上的小说信息爬一下，搞点可视化数据看看。这段时间正在看爬虫框架-pyspider，觉得这种网站用框架还是很方便的，所以今天就给大家带来这篇---起点中文网小说爬取。可视化我们放到下一集。

安装使用

安装和基本使用请查看pyspider中文文档，我们这篇主要不是介绍pyspider哦。Mac安装的过程中出现了一些问题，请看Mac安装pycurl失败，装好以后使用pyspider all启动。然后打开浏览器输入：http://localhost:5000/ 创建以后，我们就开始分析并编写起点爬虫了。

爬虫编写

打开起点中文网(https://www.qidian.com/)，选择全部作品并按照字数排序 右键检查元素，因为是静态网页，所以我们就直接解析网页元素就行了，可以使用BeautifulSoup、PyQuery、xpath或者正在表达式。我习惯用xpath，所以就采这个坑了。 Chrome可自动生成xpath 但是生成的大部分情况下都不是很合适，比如/html/body/div[2]/div[5]/div[2]/div[2]/div/ul/li[1]/div[2]/h4/a，你看这有多长，还是自己写吧，chrome浏览器可以帮我们验证xpath这个是很方便的，有的人是按照xpathhelper插件，我觉得原生就很好用了, CTRL+F 按照此方式我们匹配到小说名、作者、更新状态、更新时间、字数信息然后存储到数据库。 pyspider这个可视化调试的功能确实非常方便，但是我们看到了什么？框框？字数竟然是框框？我就懵逼了 网页元素里看到的竟然也是这个？？？我不死心，再看看网页源码 好像有些什么编码，但是为什么xpath查出来的是框框的，我百思不得骑姐，试了各种方式发现确实是方框，肿么办捏？我考虑可以把获取到的元素的html源码打印出来，然后再提取一下，是不是可以呢？ OK，得到我们需要的数据了，但是这也不是小说字数呀，这就是我写这篇文章的原因了，我们看到上面元素查看截图中的font-face了，里面有一些.ttf、.woff，这些我们应该知道是字体文件，下载下来看一下 这到底是什么鬼？不明白，那就问谷哥和度姐吧，然后我就知道了字体反爬这个概念，涨姿势呀！我明白了一个道理，要想涨姿势，就得多尝试，不然你怎么能知道还有这种姿势呢？我的意思大家都懂吧，然后我就找到了fonttools这个python库，但是还是走了很多弯路，里面提供的命令行识别不了，最后还是通过源码调试找到了getBestCmap这个接口 下载woff字体文件，然后通过BytesIO转化为内存文件，使用TTFont处理