Python字体反爬双实战 R30

⛳️ 实战场景

本次要采集的站点是某供应商平台，域名如下所示：

aHR0cHM6Ly9jbi5jaGluYS5jbg==

这次要采集的是公开的电话号码，注意是公开的，不是隐私数据哦~

通过开发者工具得到上图所示内容，仅数字部分进行了字体反爬。

字体文件分析
在网页源码寻找字体文件相关内容，得到的结果如下图所示。

而我们下载字体文件，打开发现并不是一个固定的字体文件。

该文件中仅包含了号码中存在的数字，再次打开一页详情，查看其字体文件。

每次刷新之后，得到的字体文件和编码全部不同，本案例难度就提高了一点点。

⛳️ 供应商字体反爬 实战场景

通过 font 模块加载字体文件，分别解析两个文件，对比数字一的矢量图部分内容，发现编码不一致，但是内容是完全相同的。

import re
from fontTools.ttLib import TTFont
from hashlib import md5

font = TTFont('./fonts/112.woff')
font.saveXML('./112.xml')

下面我们复制一段目标站点响应的源码，其表示的电话如下所示：

<span class="secret">&#x100ce;&#x100cf;&#x100cf; &#x100cf;&#x100cf;&#x100ce;&#x100d0; &#x100d0;&#x100d1;&#x100d2;&#x100d2;</span>

我们在字体文件中读取一下上图所示内容。

import re
from fontTools.ttLib import TTFont
from hashlib import md5

# font = TTFont('./fonts/112.woff')
# font.saveXML('./112.xml')
# 读取字体文件
font = TTFont('./fonts/112.woff')
# 读取 cmap
cmap = font.getBestCmap()
with open('./112.xml','r',encoding='utf8') as f:
    ret = f.read()
ret = ret.replace('\n','').replace(' ','')
# print(ret)

for i in cmap:
    # 查询目标数据
    data = re.findall(f'<CharStringname="{cmap[i]}">(.*?)</CharString>', ret)[0]
    # print(data)
    # 将查询到的结果进行 md5 编码
    char_md5 = md5(data.encode('utf8')).hexdigest()
    print(char_md5)

得到结果如下所示，下图所有值都经过 md5 加密之后得到的，便于后续对比。

下面你就要通过测试，获取所有的数字编码。

⛳️ 易 实战场景 车

本次字体反爬案例对应的是【易车】点评频道，该站点使用了字体反爬技术，并且是中文字符反爬，可以重点研究下。

站点地址如下所示（全角字符）

ｈｔｔｐｓ：／／ｄｉａｎｐｉｎｇ．ｙｉｃｈｅ．ｃｏｍ／

打开目标站点任意链接之后，可以通过开发者工具发现，其文字部分存在大量的混淆字符。

既然已经发现了字体混淆，那接下来我们再夯实一下字符矢量图相关知识，下载易车的一个字体文件。

字体文件是通过 unicode 编码，然后对应字体文件。
浏览器实现原理是通过传递字符的字节码，转换成 unicode 编号，然后在字体文件中找到字体矢量图，如果没有字体文件，会在系统自带的字体中寻找矢量图。

上图中 uni6211 对应的就是汉字 我 的编码。

⛳️ 易 实战编码 车

有了多篇字体反爬的经验，我们很容易发现本次的目标站点使用了固定的字体文件，名称为 yc-ft.woff，其中包含了 473 个特殊汉字。

接下来只需要将字体文件编码和汉字的对一个关系读取出来即可。

from fontTools.ttLib import TTFont

font = TTFont('fonts/yc-ft.woff')
print(font)

font_map = font['cmap'].getBestCmap()
print(font_map)

网页响应的源码格式如下所示：

<em class='iconfont'>&#xe3d0;</em>车也

其中  就是对应的字符，然后 e3d0 对应到字体矢量图中，对应的是 提 字。