【华为云技术分享】用前考虑清楚，伤敌一千自损八百的字体反爬虫
内容选自即将出版的《Python3 反爬虫原理与绕过实战》，本次公开书稿范围为第 6 章——文本混淆反爬虫。本篇为第 6 章中的第 4 小节，其余小节将逐步放送。
字体反爬虫开篇概述
在 CSS3 之前，Web 开发者必须使用用户计算机上已有的字体。但是在 CSS3 时代，开发者可以使用@font-face 为网页指定字体，对用户计算机字体的依赖。开发者可将心仪的字体文件放在 Web 服务器上，并在 CSS 样式中使用它。用户使用浏览器访问 Web 应用时，对应的字体会被浏览器下载到用户的计算机上。
在学习浏览器和页面渲染的相关知识时，我们了解到 CSS 的作用是修饰 HTML ，所以在页面渲染的时候不会改变 HTML 文档内容。由于字体的加载和映射工作是由 CSS 完成的，所以即使我们借助 Splash、Selenium 和 Puppeteer 工具也无法获得对应的文字内容。字体反爬虫正是利用了这个特点，将自定义字体应用到网页中重要的数据上，使得爬虫程序无法获得正确的数据。
6.4.1 字体反爬虫示例
示例 7：字体反爬虫示例。
网址：www.porters.vip/confusion/m…
任务：爬取影片信息展示页中的影片评分、评价人数和票房数据，页面内容如图 6-32 所示。
图 6-32 示例 7 页面
在编写代码之前，我们需要确定目标数据的元素定位。定位时，我们在 HTML 中发现了一些奇怪的符号，HTML 代码如下：
1 <div class="movie-index"> 2 <p class="movie-index-title">用户评分</p> 3 <div class="movie-index-content score normal-score"> 4 <span class="index-left info-num "> 5 <span class="stonefont"> ☒.☒ </span> 6 </span> 7 <div class="index-right"> 8 <div class="star-wrapper"> 9 <div class="star-on" style="width:90%;"></div> 10 </div> 11 <span class="score-num"><span class="stonefont"> ☒☒. ☒☒ 万</span>人评分</span> 12 </div> 13 </div> 14 </div>
页面中重要的数据都是一些奇怪的字符，本应该显示“9.7”的地方在 HTML 中显示的是“☒.☒”，而本应该显示“56.83”的地方在 HTML 中显示的是“☒☒.☒☒”。与 6.3 节中的映射反爬虫不同，案例中的文字都被“☒”符号代替了，根本无法分辨。这就很奇怪了，“☒”能代表这么多种数字吗？
要注意的是，Chrome 开发者工具的元素面板中显示的内容不一定是相应正文的原文，要想知道“☒”符号是什么，还需要到网页源代码中确认。对应的网页源代码如下：
1 <div class="movie-index"> 2 <p class="movie-index-title">用户评分</p> 3 <div class="movie-index-content score normal-score"> 4 <span class="index-left info-num "> 5 <span class="stonefont">.</span> 6 </span> 7 <div class="index-right"> 8 <div class="star-wrapper"> 9 <div class="star-on" style="width:90%;"></div> 10 </div> 11 <span class="score-num"><span class="stonefont">.万</span>人评分</span> 12 </div> 13 </div> 14 </div>
从网页源代码中看到的并不是符号，而是由&#x 开头的一些字符，这与示例 6 中的 SVG 映射反爬虫非常相似。我们将页面显示的数字与网页源代码中的字符进行比较，映射关系如图 6-33 所示。
图 6-33 字符与数字的映射关系
字符与数字是一一对应的，我们只需要多找一些页面，将 0 ~ 9 数字对应的字符凑齐即可。但如果目标网站的字体是动态变化的呢？映射关系也是变化的呢？
根据 6.3 节的学习和分析，我们知道人为映射并不能解决这些问题，必须找到映射关系的规律，并使用 Python 代码实现映射算法才行。继续往下分析，难道字符映射是先异步加载数据再使用 JavaScript 渲染的？
图 6-34 请求记录
网络请求记录如图 6-34 所示，请求记录中并没有发现异步请求，这个猜测并没有得到证实。CSS 样式方面有没有线索呢？页面中包裹符号的标签的 class 属性值都是 stonefont：
1 <span class="stonefont">.</span> 2 <span class="stonefont">. 万</span> 3 <span class="stonefont">.</span>
但对应的 CSS 样式中仅设置了字体：
1 .stonefont { 2 font-family: stonefont; 3 }
既然是自定义字体，就意味着会加载字体文件，我们可以在网络请求中找到加载的字体文件 movie.woff，并将其下载到本地，接着使用百度字体 Editor 看一看里面的内容。
百度字体Editor FontEditor （详见 fontstore.baidu.com/static/edit… ttf、woff、eot、otf 格式的字体文件，具备这些格式字体文件的导入和导出功能，并且提供字形调整、轮廓调整和字体实时预览功能，界面如图 6-35 所示。
图 6-35 百度字体 Editor 界面
打开页面后，将 movie.woff 文件拖曳到百度字体 Editor的灰色区域即可，字体文件内容如图 6-36 所示。
图 6-36 字体文件 movie.woff 预览
该字体文件中共有 12 个字体块，其中包括 2 个空白字体块和 0 ~ 9 的数字字体块。我们可以大胆地猜测，评分数据和票房数据中使用的数字正是从此而来。
由此看来，我们还需要了解一些字体文件格式相关的知识，在了解文件格式和规律后，才能够找到更合理的解决办法。
6.4.2 字体文件 WOFF
WOFF（Web Open Font Format，Web 开放字体格式）是一种网页所采用的字体格式标准。本质上基于 SFNT 字体（如 TrueType），所以它具备 TrueType 的字体结构，我们只需要了解 TrueType 字体的相关知识即可。
TrueType 字体是苹果公司与微软公司联合开发的一种计算机轮廓字体，TrueType 字体中的每个字形由网格上的一系列点描述，点是字体中的最小单位，字形与点的关系如图 6-37 所示。
图 6-37 字形与点的关系
字体文件中不仅包含字形数据和点信息，还包括字符到字形映射、字体标题、命名和水平指标等，这些信息存在对应的表中，所以我们也可以认为 TrueType 字体文件由一系列的表组成，其中常用的表
及其作用如图 6-38 所示。
图 6-38 构成字体文件的常用表及其作用
如何查看这些表的结构和所包含的信息呢？我们可以借助第三方 Python 库 fonttools 将 WOFF 等字体文件转换成 XML 文件，这样就能查看字体文件的结构和表信息了。首先我们要安装 fonttools 库， 安装命令为：
$ pip install fonttools
安装完毕后就可以利用该库转换文件类型，对应的 Python 代码为：
1 from fontTools.ttLib import TTFont 2 font = TTFont('movie.woff') # 打开当前目录的 movie.woff 文件 3 font.saveXML('movie.xml') # 另存为 movie.xml
代码运行后就会在当前目录生成名为 movie 的 XML 文件。文件中字符到字形映射表 cmap 的内容如下：
1 <cmap_format_4 platformID="0" platEncID="3" language="0"> 2 <map code="0x78" name="x"/> 3 <map code="0xe339" name="uniE339"/> 4 <map code="0xe624" name="uniE624"/> 5 <map code="0xe7df" name="uniE7DF"/> 6 <map code="0xe9c7" name="uniE9C7"/> 7 <map code="0xea16" name="uniEA16"/> 8 <map code="0xee76" name="uniEE76"/> 9 <map code="0xefd4" name="uniEFD4"/> 10 <map code="0xf19a" name="uniF19A"/> 11 <map code="0xf57b" name="uniF57B"/> 12 <map code="0xf593" name="uniF593"/> 13 </cmap_format_4>
map 标签中的 code 代表字符，name 代表字形名称，关系如图 6-39 所示。
图 6-39 字符到字形映射关系示例
XML 中的字符 0xe339 与网页源代码中的字符 对应，这样我们就确定了 HTML 中的字符码与 movie.woff 字体文件中对应的字形关系。字形数据存储在 glyf 表中，每个字形的数据都是独立的，例如字形 uniE339 的字形数据如下：
1 <TTGlyph name="uniE339" xMin="0" yMin="-12" xMax="510" yMax="719"> 2 <contour> 3 <pt x="410" y="534" on="1"/> 4 <pt x="398" y="586" on="0"/> 5 <pt x="377" y="609" on="1"/> 6 <pt x="341" y="646" on="0"/> 7 <pt x="289" y="646" on="1"/> 8 ... 9 </contour> 10 <contour> 11 <pt x="139" y="232" on="1"/> 12 <pt x="139" y="188" on="0"/> 13 <pt x="178" y="103" on="0"/> 14 ... 15 </contour> 16 <instructions/> 17 </TTGlyph>
TTGlyph 标签中记录着字形的名称、x 轴坐标和 y 轴坐标（坐标也可以理解为字形的宽高）。contour 标签记录的是字形的轮廓信息，也就是多个点的坐标位置，正是这些点构成了如图 6-40 所示的字形。
图 6-40 字形 uniE339 的轮廓
我们可以在百度字体 Editor 中调整点的位置，然后保存字体文件并将新字体文件转换为 XML 格式，相同名称的字形数据如下：
1 <TTGlyph name="uniE339" xMin="115" yMin="6" xMax="430" yMax="495"> 2 <contour> 3 <pt x="400" y="352" on="1"/> 4 <pt x="356" y="406" on="0"/> 5 <pt x="342" y="421" on="1"/> 6 <pt x="318" y="446" on="0"/> 7 <pt x="283" y="446" on="1"/> 8 ... 9 </contour> 10 <instructions/> 11 </TTGlyph>
接着将调整前的字形数据和调整后的字形数据进行对比。
如图 6-41 所示，点的位置调整后，字形数据也会发生相应的变化，如 xMin、xMax、yMin、yMax 还有 pt 标签中的 x 坐标 y 坐标都与之前的不同了。
图 6-41 字形数据对比
XML 文件中记录的是字形坐标信息，实际上，我们没有办法直接通过字形数据获得文字，只能从其他方面想办法。虽然目标网站使用多套字体，但相同文字的字形也是相同的。比如现在有 movie.woff 和 food.woff 这两套字体，它们包含的字形如下：
1 # movie.woff 2 # 包含 10 个字形数据：[0123456789] 3 <cmap_format_4 platformID="0" platEncID="3" language="0"> 4 <map code="0x78" name="x"/> 5 <map code="0xe339" name="uniE339"/> # 数字 6 6 <map code="0xe624" name="uniE624"/> # 数字 9 7 <map code="0xe7df" name="uniE7DF"/> # 数字 2 8 <map code="0xe9c7" name="uniE9C7"/> # 数字 7 9 <map code="0xea16" name="uniEA16"/> # 数字 5 10 <map code="0xee76" name="uniEE76"/> # 数字 0 11 <map code="0xefd4" name="uniEFD4"/> # 数字 8 12 <map code="0xf19a" name="uniF19A"/> # 数字 3 13 <map code="0xf57b" name="uniF57B"/> # 数字 1 14 <map code="0xf593" name="uniF593"/> # 数字 4 15 </cmap_format_4> 16 17 # food.woff 18 # 包含 3 个字形数据：[012] 19 <cmap_format_4 platformID="0" platEncID="3" language="0"> 20 <map code="0x78" name="x"/> 21 <map code="0xe556" name="uniE556"/> # 数字 0 22 <map code="0xe667" name="uniE667"/> # 数字 1 23 <map code="0xe778" name="uniE778"/> # 数字 2 24 </cmap_format_4>
要实现自动识别文字，需要先准备参照字形，也就是人为地准备数字 0 ~ 9 的字形映射关系和字形数据，如：
1 # 0 和 7 与字形名称的映射伪代码，data 键对应的值是字形数据 2 font_mapping = [ 3 {'name': 'uniE9C7', 'words': '7', 'data': 'uniE9C7_contour_pt'}, 4 {'name': 'uniEE76', 'words': '0', 'data': 'uniEE76_countr_pt'}, 5 ]
当我们遇到目标网站上其他字体文件时，就可以使用参照字形中的字形数据与目标字形进行匹配，如果字形数据非常接近，就认为这两个字形描述的是相同的文字。字形数据包含记录字形名称和字形起止坐标的 TTGlyph 标签以及记录点坐标的 pt 标签，起止坐标代表的是字形在画布上的位置，点坐标代表字形中每个点在画布上的位置。在起止坐标中，x 轴差值代表字形宽度，y 轴差值代表字形高度。
如图 6-42 所示，两个字形的起止坐标和宽高都有很大的差别，但是却能够描述相同的文字，所以字形在画布中的位置并不会影响描述的文字，字形宽度和字形高度也不会影响描述的文字。
图 6-42 描述相同文字的两个字形
点坐标的数量和坐标值可以作为比较条件吗？
如图 6-43 所示，两个不同文字的字形数据是不一样的。虽然这两种字形的 name 都是 uniE9C7，但是字形数据中大部分 pt 标签 x 和 y 的差距都很大，所以我们可以判定这两个字形描述的并不是
同一个文字。你可能会想到点的数量也可以作为排除条件，也就是说如果点的数量不相同，那么这个
两个字形描述的就不是同一个文字。真的是这样吗？
图 6-43 描述不同文字的字形数据对比
在图 6-44 中，左侧描述文字 7 的字形有 17 个点，而右侧描述文字 7 的字形却有 20 个点。对应的字形信息如图 6-45 所示。
图 6-44 描述相同文字的字形
图 6-45 描述相同文字的字形信息
虽然点的数量不一样，但是它们的字形并没有太大的变化，也不会造成用户误读，所以点的数量并不能作为排除不同字形的条件。因此，只有起止坐标和点坐标数据完全相同的字形，描述的才是相同字符。
6.4.3 字体反爬虫绕过实战
要确定两组字形数据描述的是否为相同字符，我们必须取出 HTML 中对应的字形数据，然后将待确认的字形与我们准备好的基准字形数据进行对比。现在我们来整理一下这一系列工作的步骤。
(1) 准备基准字形描述信息。
(2) 访问目标网页。
(3) 从目标网页中读取字体编码字符。
(4) 下载 WOFF 文件并用 Python 代码打开。
(5) 根据字体编码字符找到 WOFF 文件中的字形轮廓信息。
(6) 将该字形轮廓信息与基准字形轮廓信息进行对比。
(7) 得出对比结果。
我们先完成前 4 个步骤的代码。下载 WOFF 文件并将其中字形描述的文字与人类认知的文字进行映射。由于字形数据比较庞大，所以我们可以将字形数据进行散列计算，这样得到的结果既简短又唯一，不会影响对比结果。这里以数字 0 ~ 9 为例：
1 base_font = { 2 "font": [{"name": "uniEE76", "value": "0", "hex": "fc170db1563e66547e9100cf7784951f"}, 3 {"name": "uniF57B", "value": "1", "hex": "251357942c5160a003eec31c68a06f64"}, 4 {"name": "uniE7DF", "value": "2", "hex": "8a3ab2e9ca7db2b13ce198521010bde4"}, 5 {"name": "uniF19A", "value": "3", "hex": "712e4b5abd0ba2b09aff19be89e75146"}, 6 {"name": "uniF593", "value": "4", "hex": "e5764c45cf9de7f0a4ada6b0370b81a1"}, 7 {"name": "uniEA16", "value": "5", "hex": "c631abb5e408146eb1a17db4113f878f"}, 8 {"name": "uniE339", "value": "6", "hex": "0833d3b4f61f02258217421b4e4bde24"}, 9 {"name": "uniE9C7", "value": "7", "hex": "4aa5ac9a6741107dca4c5dd05176ec4c"}, 10 {"name": "uniEFD4", "value": "8", "hex": "c37e95c05e0dd147b47f3cb1e5ac60d7"}, 11 {"name": "uniE624", "value": "9", "hex": "704362b6e0feb6cd0b1303f10c000f95"}] 12 }
字典中的 name 代表该字形的名称，value 代表该字形描述的文字，hex 代表字形信息的 MD5 值。
考虑到网络请求记录中的字体文件路径有可能会变化，我们必须找到 CSS 中设定的字体文件路径，引入 CSS 的 HTML 代码为：
<link href="./css/movie.css" rel="stylesheet">
由引入代码得知该 CSS 文件的路径为 www.porters.vip/confusion/c… @font-face 处就是设置字体的代码：
1 @font-face { 2 font-family: stonefont; 3 src:url('../font/movie.woff') format('woff'); 4 }
字体文件路径为 www.porters.vip/confusion/f… Python 代码如下：
1 import re 2 from parsel import Selector 3 from urllib import parse 4 from fontTools.ttLib import TTFont 5 url = 'http://www.porters.vip/confusion/movie.html' 6 resp = requests.get(url) 7 sel = Selector(resp.text) 8 # 提取页面加载的所有 css 文件路径 9 css_path = sel.css('link[rel=stylesheet]::attr(href)').extract() 10 woffs = [] 11 for c in css_path: 12 # 拼接正确的 css 文件路径 13 css_url = parse.urljoin(url, c) 14 # 向 css 文件发起请求 15 css_resp = requests.get(css_url) 16 # 匹配 css 文件中的 woff 文件路径 17 woff_path = re.findall("src:url\('..(.*.woff)'\) format\('woff'\);", 18 css_resp.text) 19 if woff_path: 20 # 如故路径存在则添加到 woffs 列表中 21 woffs += woff_path 22 woff_url = 'http://www.porters.vip/confusion' + woffs.pop() 23 woff = requests.get(woff_url) 24 filename = 'target.woff' 25 with open(filename, 'wb') as f: 26 # 将文件保存到本地 27 f.write(woff.content) 28 # 使用 TTFont 库打开刚才下载的 woff 文件 29 font = TTFont(filename)
因为 TTFont 可以直接读取 woff 文件的结构，所以这里不需要将 woff 保存为 XML 文件。接着以评分数据 9.7 对应的编码 #xe624.#xe9c7 进行测试，在原来的代码中引入基准字体数据 base_font，然后新增以下代码：
1 web_code = '.' 2 # 编码文字替换 3 woff_code = [i.upper().replace('&#X', 'uni') for i in web_code.split('.')] 4 import hashlib 5 result = [] 6 for w in woff_code: 7 # 从字体文件中取出对应编码的字形信息 8 content = font['glyf'].glyphs.get(w).data 9 # 字形信息 MD5 10 glyph = hashlib.md5(content).hexdigest() 11 for b in base_font.get('font'): 12 # 与基准字形中的 MD5 值进行对比，如果相同则取出该字形描述的文字 13 if b.get('hex') == glyph: 14 result.append(b.get('value')) 15 break 16 # 打印映射结果 17 print(result)
以上代码运行结果为：
['9', '7']
运行结果说明能够正确映射字体文件中字形描述的文字。
6.4.4 小结
字体反爬能给爬虫工程师带来很大的麻烦。虽然爬虫工程师找到了应对方法，但这种方法依赖的条件比较严苛，如果开发者频繁改动字体文件或准备多套字体文件并随机切换，那真是一件令爬虫工程师头疼的事。不过，这些工作对于开发者来说也不是轻松的事。
作者：华为云·云享专家 韦世东
