python爬虫 - js逆向之svg字体反爬破解
前言
同样的，接上一篇 python爬虫 - js逆向之woff字体反爬破解 ，而且也是同一个站的数据，只是是不同的反爬
网址：
aHR0cDovL3{防查找，删除我，包括花括号}d3dy5kaWFuc{防查找，删除我，包括花括号}GluZy5jb20vcmV2aWV3L{防查找，删除我，包括花括号}zEwMDM1NDgxNjI=
分析
打开网站：
这个根据之前的经验，现在直接找css，找映射关系就行了，所以看右边的css，看到有很多东西，其中有两个比较重要：
有没有想过，为啥给个ji6c6就能映射成【一】呢？为什么不是其他的，看到上面的background-image的url就很可疑了，打开这个url看看：
卧槽，这就是一堆字体啊，跟上一篇的woff字体有得一拼了，我猜哈，他就是通过这个的css来控制显示的：
那行，我们随便改个数值看看：
改之前：
改之后，只改了宽度的px，
再改个高度的px看看，我估计随便输入的值哈，所以肯定是对不齐的
那么，再看下svg源码的文字，
对得上，所以宽度跟高度改来改去，现在能够确定的是，最开始的-336px和-214px，这个负值跟svg的值是相反的，svg是正数，css是负数，这个不重要哈，同时，我们也可以确认下：
用截图工具大概取个值，
而源码里的是这样的：
感觉有点不一样，不过至少，宽度339px和336px能够约等于上，但是高度对不上，很奇怪了。
没事，再看看哈，把高度的值改为0px看看，改完成这样了
有老哥要问了，改为0px干嘛，现在不是要找高度的规律吗，对啊，要找规律就要看看第一排的px是多少啊，上面的0px显然不对，那么说明第一排的纵坐标的不是从0px，那稍微调下，调成一个与其他内容规整排列的
没过一会儿，就调出一个规整排列的，结果是-13px
再看第二排是多少：57px
第三排：104px
第四排：141px
第五排：175px
第六排：214px
第七排：257px
。。。。
结果发现这些值并没有很大的关联，插值并不是一致的
看来这条路不通，换，再回过头看css:
圈出来的就非常关键了，width为14px，大胆猜测，应该就是一个字体的宽度，高度的话，应该就似乎height加上margin-top的值，极为39px
那行，一个字体占比就是宽度为14，高度39，用这个值再次验证一下，再回过头看这个【一】，
再看，这里数起来，麻烦，直接用python操作了：
ok，又对上了，再随机找个吧，一次两次，万一还是巧合可以，随机再找一个还能对上，那就一定是了：
就找个【是】
140/14=10
1723/39=44.1794...≈ 45
45排有点多，看源码，源码里的y，1723大于上一排的1707，小于这一排的1746，那说明就是这一排了
然后直接说，也刚好是第10个数，ok了。而且这里还看出一个规律，【是】的高度是1723px，在svg源码里：
1746>1723>1707，所以闭着眼睛也知道一定在这一行，那么这里还可以有一个方法，用常用的那几个算法就能很快就能定位在哪一排，然后定位是哪一个字就行了，卧槽，感觉很简单啊
规律找出来了，剩下的就是代码调试了
调试
为了方便调试，就不每操作一次实际请求一次，因为这个平台的风控挺强的，所以直接查看源码，然后把内容保存到本地吧：
流程就是，读取源码，然后先把内容用xpath提取出来，把那些class属性找出来，然后请求拿到css，再通过css内容找到设置的宽度高度，同时把css里的svg的url请求一下，保存到本地，接着通过给定的宽度高度，取svg的原内容找就行了
所有需要i请求的，我都暂时保存在本地了，svg:
同时直接复制css里的内容，手动放到content2.html文件里了，给了一个style标签
python实现
在执行的时候发现，当是42，23673px时，会报错：
主要是没有那么多的纵向，那看来我们之前用height除以39还是有问题，不能涵盖完整的情况
后面经过我的测试，发现以下规律：
1.高度除以39，结果如果不超过svg总排数的，减去一个通用值（假设为2），即为真实纵向位置
2.高度除以39，结果如果超过svg总排数的，如果值小于【总排数加通用值（假设为2）】，先减去一个通用值（假设为2）之后，如果这个值结果带有小数，再四舍五入，如果结果没有超过总排数，不用四舍五入，直接取整，即为真实纵向位置
3.高度除以39，结果如果超过svg总排数的，如果值大于【总排数加通用值（假设为2）】，直接按最后一排的数作为真实纵向位置
也可能这套规律并不通用，至少目前来看没有问题
我过了2天，再次打开这个网址，然后看到变了，源码变得如下：
然后svg源码也变了：
那这种，就没法用二分法了，所i有，上面想到的思路，并不通用，那咋办呢？这有点难为人了哈
但是，仔细发现，上面发现的规律还是可以通用的
只是二分法不通用了，来，继续看【一】，此时是【-126px -2737px】
126/14=9
2737/39=70.179.....
先找到70行，然后减2，得68，找第九个：
看是不是第9个，没毛病：
看来，在svg的总排数以前的，都可以这么算，现在找一个纵向相对比较大的：
56/14=4
3184/39=81.641
此时，81.641<80+2，那就直接减2得79，然后小数位四舍五入，得80，找80行第4个：
就看是不是真的是这个【粉】字了，拿到刚才得class名【sr4q6】，到网页里覆盖即可：
果然变成了【粉】字
再来确认上面的规律的第三种情况，找个总值大于80+2的试试，发现，此时的css里没有，那就姑且这么认定了，直接写代码吧
同时更新下css和svg，以及html源码
此时，纵向的发现没毛病了，但是发现横向的又出现问题了，比如 -462.0px -1470.0px
462/14= 33
1470/39 = 37.69
按上面的逻辑，应该是33，35，但是一找发现报错：
看来横向也不能直接一昧的除14啊，看看这个本来应该是啥字：
把【sr7u9】换上去看看，变成了【谁】字
看看svg里【谁】：
卧槽，越来越迷糊了，这到底咋回事，接着再看，看横向坐标都大于等于400的看看：
找到这么多：
一个一个看，不信找不到规律：
看【srjbq】，-504.0px -424.0px
本来是
36 10.89
但这里取得是36 11
sr4qu -504.0px -2841.0px
算出是36，72.84 ==> 36，70
实际是36，71
sr5lf {
background: -518.0px -1324.0px
算出37 33.98 ==>33 31
实际37，33
.srwcf {
background: -532.0px -662.0px
算出 38 16.97 ==> 38 14
实际 38 17
.srqrx {
background: -546.0px -2841.0px
算出 39 72.84
实际 39 71
.srauc {
background: -546.0px -14.0px
算出 39 0.35
实际 39 1
.srkfy {
background: -532.0px -741.0px
算出 38 19
实际 38 19
.sr7k0 {
background: -504.0px -772.0px
算出 36 19.79
实际 36 20
当我在找规律的时候，我无意间又打开一个标签：
哎~，这他妈，看属性d的中间个数，嘿嘿，看来还是可以用二分法查找，ok，不再傻逼的找规律了，直接用算法，二分查找，或者冒泡的都可以，我这里就不耽误时间了，已经花了好几天时间分析了，不能再拖了，我就写个了最容易想的冒泡排序，也不考虑运行时间了，搞爬虫的，不用太纠结这些东西。
ok，代码：
至少现在没报错了，而且对了下都对上了，
还是这个靠谱点，上面总结的规律还是不能完美覆盖问题，就以上这样才是最好的，
行，现在就差最后一个问题，就是文字的顺序，看如下哈，没有做svg的，文字就在外层，有做文字加密的未加密的并列，那这个顺寻就有点不好操作了
再看当我直接用xpath的text时，是如下，所以，这个顺序还真不好处理
咋办，直接字符串替换吧
执行：
看第一条：
一直对乔一乔的印象都还不错 这次到的他家机场店 环境还可以 阿姨服务态度也不错 菜品口感也没问题 就是出了一个小插曲 红糖糍粑里吃出了一块铁 着实吓了一跳 还以为把牙吃掉了店长处理态度也还行 给菜品打了个8折 说事后牙有什么问题 随时联系他 我们也不是讹人的人 小问题也不去麻烦商家了 温馨提示一下估计这个铁的问题应该还存在 进货的时候仔细一点 这样挺影响体验感的
原文内容，完美对上，emoji图的问题暂不考虑，就是一个静态资源，想拼凑一下就是很简单的问题
部分python代码
content2.html和css.txt，svg.html，自行下载
def get_real_height(text, raw_height):
# 这个函数已经弃用，得到的结果不精准
length = len(text)
temp_h = raw_height / 39
if temp_h > length + 2: # 大于总排数+2
height = length
elif temp_h > length: # 大于总排数，小于总排数+2
height = length - 2
height = int(round(height, 0)) # 四舍五入
else: # 小于总排数
height = raw_height // 39
return height
def get_real_font(text, text_index, tuples=None):
if not tuples:
tuples = ('336.0', '214.0')
width, height = tuples
width = int(float(width))
height = int(float(height))
real_w = int(width / 14)
d, real_h = get_real_height_v2(text_index, height)
# print(12312312321, d, real_h)
# print(555555, real_h, real_w, tuples)
real_font = text[real_h][real_w]
return real_font
def get_css():
f = open('css.txt', encoding='utf-8')
source_data = f.read()
f.close()
cont = re.findall(r'\.(\w+) \{.*?background: -(.*?)px -(.*?)px;', source_data, re.S | re.M)
css_dict = {}
for c in cont:
css_dict[c[0]] = c[1:]
# print(css_dict)
return css_dict
def get_data_html():
css_dict = get_css()
f = open('svg.html', encoding='utf-8')
svg = f.read()
f.close()
html_source = etree.HTML(svg)
text = html_source.xpath('//text[position()>1]/text()')
if not text:
text = html_source.xpath('//textpath/text()')
text_index = html_source.xpath('//defs/path/@d')
text_index = [int(te.split(' ')[1]) for te in text_index]
f = open('content2.html', encoding='utf-8')
source_data = f.read()
source_data = source_data.replace('<svgmtsi class=', '').replace('></svgmtsi>', '')
f.close()
html_source2 = etree.HTML(source_data)
data = html_source2.xpath('//div[contains(@class,"review-words")]')
for item in data:
temp_dict = dict()
raw_cont = item.xpath('.//text()')
raw_cont = ''.join(raw_cont).strip() if raw_cont else ''
if not raw_cont:
continue
raw_cont = raw_cont.split('"')
raw_cont = [t for t in raw_cont if t]
real_cont = raw_cont[:]
# print(real_cont)
# print(raw_cont)
for ind, ra in enumerate(raw_cont):
if ra.startswith('sr'):
real_c = parser_svg_font(ra, css_dict, text, text_index)
real_cont[ind] = real_c
print('raw', real_cont)
temp_dict['raw_cont'] = ''.join(real_cont)
print('real', temp_dict['raw_cont'])
def parser_svg_font(s, css_dict, text, text_index):
cont = []
if isinstance(s, list):
cont = []
for i in s:
temp = css_dict.get(i)
real_font = get_real_font(text, text_index, temp)
# print(real_font)
cont.append(real_font)
elif isinstance(s, str):
temp = css_dict.get(s)
cont = get_real_font(text, text_index, temp)
# print(123123, cont)
return cont
def get_real_height_v2(data_list, target):
"""
:param data_list: 传入的有序列表
:param target: 传入要查找的目标值
"""
# data_list默认已排好序
if target in data_list:
return data_list.index(target)
for index, d in enumerate(data_list):
if d > target:
if index == 0:
return d, index
else:
if data_list[index - 1] < target:
return d, index
get_data_html()
然后有没有可优化的地步，那肯定有的，那个处理svg部分的映射关系，和横向坐标除以14，然后判断svg的classa是否是sr开头的，计算映射真实文字的函数，等等，很多都可以优化的，具体细节就不去抠了，核心的逻辑能实现，剩下的就是完善优化了。
