字体反爬万能方案简单版（fontTools+ddddocr），自测能过某茄小说与某招聘网

字体反爬万能方案简单版（fontTools+ddddocr）

• 前言
• 万能方案简单版
• • 大致思路
  • 代码程序
  • 过程演示
  • 案例展示
  • • 某茄小说
    • 某点小说
    • 某直聘网
    • 某点评
  • 不足与优化
  • • 不足
    • 优化
• 总结

前言

这里不会从零开始去展示站点字体反爬的破解流程，只是截取了部分混淆文本验证破解成功。一般来说对于自定义字体反爬都是使用fontTools将字体文件转成xml，然后多次对比发现不变的映射规律然后得到映射字典，但根据笔者的过往经验，有些站点的字体文件实在是很难发现不变的规律，搞起来太耗时了。这个时候要是有一个能传入一个字体文件就得到映射的话就完美了，来来来，这就引入正文。

万能方案简单版

大致思路

1. 使用fontTools的getBestCmap方法得到所有字体的最佳unicode cmap字典
2. 创建Image对应与对应字体的unicode匹配上将其转换为规则的方块
3. 使用ddddocr识别Image方块得到结果
4. 组合全部unicode和识别结果就构成映射词典了

代码程序

import io
import os
import re

import ddddocr
from PIL import ImageDraw, ImageFont, Image
from fontTools.ttLib import TTFont


class UniversalFontRecognition(object):
    ocr = None

    def __init__(self, font_path):
        self.font_path = font_path
        self.ocr = ddddocr.DdddOcr(show_ad=False)

    def font_to_xml(self, xml_path=None):
        if not xml_path:
            # 不指定路径，则默认在当前目录下转换
            filename_with_ext = os.path.basename(self.font_path)
            filename_only = os.path.splitext(filename_with_ext)[0]
            xml_path = f'{filename_only}.xml'
        font = TTFont(self.font_path)
        font.saveXML(xml_path)

    def font_to_img(self, char_list, img_size=100, font_ratio=0.7):
        normal_dict = {}

        for char in char_list:
            char_code = chr(char).encode().decode()
            img = Image.new('RGB', (img_size, img_size), 255)
            draw = ImageDraw.Draw(img)
            font = ImageFont.truetype(self.font_path, int(img_size * font_ratio))
            x, y = draw.textsize(char_code, font=font)
            draw.text(((img_size - x) // 2, (img_size - y) // 2), char_code, font=font, fill=0)
            img_bytes = io.BytesIO()
            img.save(img_bytes, format='JPEG')
            image_bytes = img_bytes.getvalue()
            word = self.ocr.classification(image_bytes)
            normal_dict[char] = word[0] if word else ''

        return normal_dict

    def crack(self):
        """ 最终转成的都是unicode的映射 {unicode：识别结果}, 调用时需要将文本转成unicode """
        with open(self.font_path, 'rb') as fr:
            font_bytes = fr.read()
        with TTFont(io.BytesIO(font_bytes)) as font_parse:  # 码点与字体编码对应
            u_d = font_parse.getBestCmap()  # 返回字体中可用的“最佳”unicode cmap字典
        return self.font_to_img(list(u_d.keys()))

过程演示

案例展示

某茄小说

def crack_recognite_fqxs():
    u_f_r = UniversalFontRecognition(r"dc027189e0ba4cd-700.woff2")
    recognition_result = u_f_r.crack()
    print('原始文本: 阴沉沉，易冷坐江办室，冰冷，脸模糊，漂浮九霄云。')
    print('正确结果: 天阴沉沉的，易冷坐在江东理工大学人事处办公室里，心和外面的天气一样冰冷，工作人员的脸变得模糊，声音也如同漂浮在九霄云外。')
    test_text = '阴沉沉，易冷坐江办室，冰冷，脸模糊，漂浮九霄云。'
    print('识别结果: {}'.format(''.join([recognition_result.get(ord(s), s) for s in test_text])))

某点小说

def crack_recognite_qidian():
    u_f_r = UniversalFontRecognition(r"myhHpgyU.woff")
    recognition_result = u_f_r.crack()
    test_text = '𘢆𘢃𘢄𘡿𘢂𘢄万'
    prep_map = []
    for text in test_text.split(';'):
        if '&#' in text:
            map_text = recognition_result.get(int(text.replace('&#', '')))
            if not map_text:
                map_text = '.'
            prep_map.append(map_text)
        else:
            prep_map.append(text)

    print('原始文本: 𘢆𘢃𘢄𘡿𘢂𘢄万')
    print('正确结果: 279.19万')
    print('识别结果: {}'.format(''.join(prep_map)))

某直聘网

def crack_recognite_boss():
    u_f_r = UniversalFontRecognition(r"3kovsijnt11693967587313.woff2")
    recognition_result = u_f_r.crack()
    for rec in recognition_result:
        if recognition_result[rec] == 'o':
            recognition_result[rec] = '0'
    test_text = '-K'
    print('原始文本: -K')
    print('正确结果: 15-30K')
    print('识别结果: {}'.format(''.join([recognition_result.get(ord(s), s) for s in test_text])))

某点评

离谱，笔者打开发现它竟然没有字体反爬，不知道为啥，不过拿到字体文件也是能得到映射字典的

不足与优化

不足

1. 大家看某直聘网和某点小说，ddddocr有可能会吧0是被o，没法识别.，笔者是在得到识别结果后二次处理的，也算是一种解决方案吧
2. 如果字体文件字体太多会导致识别结果比较慢，如果是遇到动态字体反爬的，可能需要结合业务情况看看进行优化了。
   识别某点评602个字体花了差不多3s
   

优化

针对第一点如果能像笔者那样二次处理解决的那还好，不然的话就要自己训练识别模型了，毕竟这样能大大提高识别结果；而第二点的话，如果只有数英就还好，包含文字的话可以考虑多线程或者协程识别。

总结

以上是笔者结合自己的经验和网上经验实践出来的，不能保证能应用到所有站点，如果有更好的方案或者过不了的站点欢迎大家提供给笔者，感谢~