python脚本爬取字体文件的实现方法


            前言

大家应该都有所体会，为了提高验证码的识别准确率，我们当然要首先得到足够多的测试数据。验证码下载下来容易，但是需要人脑手工识别着实让人受不了，于是我就想了个折衷的办法——自己造验证码。

为了保证多样性，首先当然需要不同的字模了，直接用类似ttf格式的字体文件即可，网上有很多ttf格式的字体包供我们下载。当然，我不会傻到手动下载解压缩，果断要写个爬虫了。

实现方法

网站一：fontsquirrel.com

这个网站的字体可以免费下载，但是有很多下载点都是外链连接到其他网站的，这部分得忽略掉。





#coding:utf-8

import urllib2,cookielib,sys,re,os,zipfile

import numpy as np

#网站登陆

cj=cookielib.CookieJar()

opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

opener.addheaders=[('User-agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36))')]

urllib2.install_opener(opener)

#搜索可下载连接

def search(path):

 request=urllib2.Request(path)

 response=urllib2.urlopen(request)

 html=response.read()

 html=html.replace('\n',' ')#将所有的回车去掉，因为正则表达式是单行匹配。。。。。。

 urls=re.findall(r'<a href="(.*?)" rel="external nofollow" >(.*?)</a>',html)

 for i in urls:

  url,inner=i

  if not re.findall(r'Download ',inner)==[] and re.findall(r'offsite',inner)==[] and url not in items:

   items.append(url)

items=[]#保存下载地址

for i in xrange(15):

 host='http://www.fontsquirrel.com/fonts/list/find_fonts/'+str(i*50)+'?filter%5Bdownload%5D=local'

 search(host)

if not os.path.exists('ttf'):

 os.mkdir('ttf')

os.chdir('ttf')

def unzip(rawfile,outputdir):

 if zipfile.is_zipfile(rawfile):

  print 'yes'

  fz=zipfile.ZipFile(rawfile,'r')

  for files in fz.namelist():

   print(files) #打印zip归档中目录

   fz.extract(files,outputdir)#解压缩文件

 else:

  print 'no'

for i in items: 

 print i

 request=urllib2.Request('http://www.fontsquirrel.com'+i)

 response=urllib2.urlopen(request)

 html=response.read()

 name=i.split('/')[-1]+'.zip'

 f=open(name,'w')

 f.write(html)

 f.close()#文件记得关闭，否则下面unzip会出错

 unzip(name,'./')

 os.remove(name)

os.listdir(os.getcwd())

os.chdir('../')

files=os.listdir('ttf/')

for i in files:#删除无用文件

 if not (i.split('.')[-1]=='ttf' or i.split('.')[-1]=='otf'):

  if os.path.isdir(i):

   os.removedirs('ttf/'+i)

  else:

   os.remove('ttf/'+i)

print len(os.listdir('ttf/'))



搞到了2000+个字体，种类也挺多的，蛮好。

网站二：dafont.com

这个网站的字体花样比较多，下载起来也比较方便，恶心的是他的文件名的编码好像有点问题。





#coding:utf-8

import urllib2,cookielib,sys,re,os,zipfile

import shutil

import numpy as np

cj=cookielib.CookieJar()

opener=urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

opener.addheaders=[('User-agent','Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36))')]

urllib2.install_opener(opener)

items=[]

def search(path):

 request=urllib2.Request(path)

 response=urllib2.urlopen(request)

 html=response.read()

 html=html.replace('\n',' ')

 urls=re.findall(r'href=\"(http://dl.dafont.com/dl/\?f=.*?)\" >',html)

 items.extend(urls)

for i in xrange(117):

 host='http://www.dafont.com/new.php?page='+str(i+1)

 search(host)

 print 'Page'+str(i+1)+'done'

 items=list(set(items))

 print len(items)

if not os.path.exists('ttf2'):

 os.mkdir('ttf2')

os.chdir('ttf2')

def unzip(rawfile,outputdir):

 if zipfile.is_zipfile(rawfile):

  print 'yes'

  fz=zipfile.ZipFile(rawfile,'r')

  for files in fz.namelist():

   print(files) #打印zip归档中目录

   fz.extract(files,outputdir)

 else:

  print 'no'

for i in items: 

 print i

 request=urllib2.Request(i)

 response=urllib2.urlopen(request)

 html=response.read()

 name=i.split('=')[-1]+'.zip'

 f=open(name,'w')

 f.write(html)

 f.close()

 unzip(name,'./')

 os.remove(name)

print os.listdir(os.getcwd())

for root ,dire,fis in os.walk('./'):#递归遍历文件夹

 for i in fis:

  if not (i.split('.')[-1]=='ttf' or i.split('.')[-1]=='otf'):

   os.remove(root+i)

   print i

for i in os.listdir('./'):

 if os.path.isdir(i):

  os.rmdir(i)

os.chdir('../')



总体操作跟之前的差不多，跑了几十分钟下了4000多的字体。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对中文源码网的支持。