通过我上篇博客；中国土地市场网爬虫——浏览器Cookie验证（简单） 和中国土地市场爬虫——浏览器cookie验证（图片验证码）讲述了中国土地市场网（www.landchina.com）的两种访问限制策略，也讲述了该网站的三种限制爬虫策略。
该网站的三种防止爬虫策略
1、通过cookie验证，三次跳转，两次取得cookie的简单安全策略。
2、通过cookie验证，通过图片验证码取得cookie认证的高级安逸认识。
在原来的博客中讲述到访问限制的处理办法，今天也来讲述一下字体加密的处理。
我们可以看出左边看起来和很正常，右边源码里面也就很多乱码，我们通过手动复制粘贴也是一些中中文乱码。那这样怎么处理呢？
1、字体对应的是unicode编码。
由于在处理比如58同城，大众点评常见的字体反爬虫，发现网页源码中的字体都显示形如ģ然而该网站显示的是中文乱码。经过深入的研究高搞明白文中其实是使用的unicode编码，我们看到的乱其实就是16进制数字。
比如：
閞剨清質講棄漹歸批掱
转为 unicode编码
%u959e%u5268%u6e05%u8cea%u8b1b%u68c4%u6f39%u6b78%u6279%u63b1
我们在下载一个字体文件，打开
发现%u后面的4位16进制而字体文件$后面的4位16进制一一对应，是因为我们就可以把原来的数据转成unicode编码，然后在在字对应解密，如果没有的返回原来的数据。
2、字体文件对应
我们访问不同的链接发现有不同的woff文件，比如
fWezGsME9BXQ1W3sGFEqzhlPxznzf5nQ.woff
pieXATBGyLsPEWSOUSu1wfcC3r3vM8aa.woff
vJ3z6kV9Oo0MYQNQhaEWLTMF54ysPI1p.woff
当然这里有很多，如果我们一个文件对应还好，，但不同文件这样的工作量就很多了，，同时还有些未知的字体。然而我对比了几个woff文件发型他们加密的字体都是一样应该395个其中4个空白，只是对应的的$编码不一样而已，由于每个字体的Hash值视一样的，所以我这边就直接生成字体的Hash值对应中文字体就可以，不不要解析每个，一个就可以了。
{
"8beaf86e731da5e1c35084b7613bf342": "",
"32d1c003e5f30e7dca370ccfd74b29aa": "亲",
"1edf4d005dae1d95e36447c16071b8f0": "示",
"fe57a376414683d4eea81e525cd084ff": "规",
"1e25a05632497a30745fbc69b6b25670": "马",
"a480d4c89b7df390f9171b6eb5268054": "腾",
"51a7fd632c8a883ffd81a98d30d8f33f": "窗",
"789d653720ceadfa8cbfb7ebe688342b": "里",
"b818721b3841982945246496925b95c5": "律",
"6b7c1470eb9f251daedc8876f30fe5e4": "区"
……
}
这样我就只需要读取每个文件$编码对应的Hash值就可以。
3、数据还原
了解了原文unicode编码编码和字体文件，这样我们就可以进行数据还原。我们通过读取字体文件和自己对应的Hash值，然后读取下载好的html文件，进行数据还原。原来下载的HTML文件
读取数据然后进行数据还原，就能得到自己需要的数据。
总结：
1、文中乱码出现是因为不能识别的unicode编码。
2、不同的woff字体文件通过Hash值对应，这样没有必要每个文件进行对应。
3、解密替换的时候只需要替换字体的编码，没有的不用处理，由于文中也没有对所以汉字做字体处理。
这里就不方便公布源码；，如果需要相关的代码和数据，可以联系作者。
QQ号: 397713572 邮 箱: tngou@tngou.net QQ群: 277916496 手 机: 13518355196(同微信号)
可以一起做相关数据交流，和分析。
通过 验证 爬虫 讲述 处理
