实习僧字体反爬全站数据采集产品系统

招聘平台（如实习僧）为保护岗位薪资、企业规模等敏感信息，采用动态字体反爬技术。每次请求返回的页面都使用不同的自定义字体（woff文件），将关键数字和文字渲染为乱码符号，导致普通爬虫无法直接获取真实数据。本项目旨在解决“动态字体反爬”场景下的数据采集难题。业务背景包括招聘市场分析、薪资监测、岗位需求统计等，需要批量获取真实的招聘信息。通过每次请求时动态下载对应字体文件并建立OCR映射，可稳定还原出正确的薪资、天数等数值，适用于招聘、房产、二手车等多个行业。

全站自动翻页：从页面提取总页数，逐页爬取招聘信息。

动态字体下载与解析：每次请求页面后，从HTML中提取本次特有的字体文件URL（woff格式），下载到本地。

字体到真实字符的映射：使用fontTools读取字体中的所有Unicode编码，通过Pillow将每个字符渲染成白底黑字的图片，再利用easyocr识别图片中的真实数字/汉字，建立本次请求专属的映射字典。

数据解密与提取：遍历岗位卡片，提取职位、公司、薪资、城市、每周天数、持续月数、标签、行业、企业规模、企业描述等字段，其中加密部分通过映射字典解密。

数据导出Excel：将所有字段保存为结构化的Excel文件，便于分析和报表生成

我负责的任务：独立完成需求分析、代码编写、测试与优化，包括异常处理和自动清理。

技术栈：Python + requests（网络请求）、lxml（XPath解析）、re（正则提取字体URL）、fontTools（字体解析）、Pillow（图像生成）、easyocr（OCR识别）、openpyxl（Excel导出）。

实现亮点：

动态处理每次请求不同的字体文件，适应实习僧的高频变化策略。

完善的异常处理：字体下载失败或OCR识别失败时自动降级，不影响主流程。

自动清理临时字体文件，不残留垃圾。

支持全页大规模数据采集，代码结构清晰，注释详细。

难点与解决：每次请求的字体文件都不同，无法复用映射表。解决方法是每次请求页面后立即下载对应的字体文件，建立新映射，然后解密当前页数据，确保每页都能正确还原。