844 字
4 分钟
字体反爬
网站地址
aHR0cHM6Ly93d3cuc2hpdGl0b25nLmNuLw==F12检查时, 元素内文本与实际显示文本不一致, 多半就是字体文件搞的鬼, 而不是js, 特别是字数长度相等时

网络标签页筛选字体文件, 发现有个字体文件, 保存下来, 使用FontCreator 多功能字体设计制作编辑软件打开

Ctrl+F 搜索原来的字 “做”, 发现搜出来的时个 “项” 字, 而这刚好对应
2、做护制图物燃好满() => 2、项目成本控制时指() 映射的第一个字

由于找不到映射的字体信息, 只能通过OCR去识别出来, 不过这些字体还是很规范的, 识别还是挺准的; 而且识别一次就可以作缓存一直用了, 除非是动态字体文件可能需要每次请求识别.
最后构建出一个类似下面的字体映射表, 对原字符做替换就可以获取原本的字符文本了
{ "做": "项", "护": "目", ....}Python代码实现如下
import os
from fontTools.ttLib import TTFontfrom PIL import Image, ImageDraw, ImageFontfrom io import BytesIOimport ddddocrimport shelve
def recognize_fonts(char, pil_font, ocr): """ 识别字体文件中的字符 :param char: 原始字符 :param pil_font: PIL 字体对象 :param ocr: ocr 实例 :return: OCR 识别的真实字符 """ img = Image.new("L", (100, 100), color=255) # 白色背景 draw = ImageDraw.Draw(img) # 指定字体对象绘制字符, 所以传入的字符"做"会根据错乱的字体文件被绘制成"项" draw.text((10, 10), char, font=pil_font, fill=0) # 绘制字符到图像 # 将图像保存到内存缓冲区 buffer = BytesIO() img.save(buffer, format="PNG") buffer.seek(0) # OCR 识别字符 return ocr.classification(buffer.read())
def save_mapping_table(): """ 生成字体映射表 :return: """ mapping_table = shelve.open('mapping_table') # 加载字体文件 font_path = "sfontstt.ttf" # 替换为实际的字体文件路径 tt_font = TTFont(font_path) # 创建 PIL 字体对象 # 使用 fontTools 提取的字体文件在 Pillow 中创建字体对象 buffer = BytesIO() tt_font.save(buffer) # 保存字体文件到内存缓冲区 buffer.seek(0) # 重置缓冲区指针 pil_font = ImageFont.truetype(buffer, size=48) # 创建 PIL 字体对象 # 初始化 OCR ocr = ddddocr.DdddOcr() # 获取字符映射 cmap = tt_font['cmap'].getBestCmap() # 遍历字体文件中的字符映射 for codepoint, glyph_name in cmap.items(): char = chr(codepoint) # 获取字符 # 创建空白图像 recognized_text = recognize_fonts(char, pil_font, ocr) # 20570 -> uni505A -> 做 -> 项 # print(f"{codepoint} -> {glyph_name} -> {char} -> {recognized_text}") if char != recognized_text: mapping_table[char] = recognized_text # print(len(mapping_table.items())) # 563 mapping_table.close()
def decrypt_text(txt): # 判断是否已经生成映射表缓存 if not os.path.exists('mapping_table.dat'): save_mapping_table() with shelve.open('mapping_table') as mapping_table: return ''.join([mapping_table.get(char, char) for char in txt])
if __name__ == '__main__': test_txt = ['观计厢辆蚀为量,级架对和体需观计据( )需观计。', '2、做护制图物燃好满()', '7、保启由拟稳速件录液回负从包绳方开,曳四或正需级采进择:①企变液速时备爆业;②附放已曳绳由了;③端购术制绳软了上其;④增门天修变录靠爆业。针动施几或正需,做护且量破相设司他计起口绳决策树。炉带求附放绳配空他,司投传负即同建求房或级第,简点由般绳概果对0.2,制图约31坏引;附杂由般绳概果对0.8,制图约49坏引。哪此计,必量本进择方开正需绳循佳决策路()。'] for txt in test_txt: decrypted_text = decrypt_text(txt) print(decrypted_text)测试识别结果没问题就OK了
