CSS字体加密反反爬通用方法

爬虫

1356

2021-05-02

前言
环境配置
- 下载tesseract
- 下载训练集
识别代码
效果演示

前言

对于CSS字体加密，我目前遇到了这几种情况：

字体字形坐标点与编码之间的对应关系不会随着多次请求而变化，例如：58同城房子出租
字体字形坐标点每次请求时，位置不固定，但是每个文字的打点数量一致，例如：猿人学第7题
字体的打点坐标点与打点数量随着每次请求都会发生变换，例如：58同城招聘

我们之所以认为1这个形状是数字一。是因为我们学习后，懂得，“哦！这个是 ‘1‘ 。”

所以，为了让电脑识别出文字，就可以依靠机器学习，啊，但是我不会。直接上手机器学习针对的是比较难识别的图像，例如：复杂的验证码。

对于有规则的字体，我们就可以借助OCR（光学字符识别)识别文字。

本文使用到就是**tesseract-ocr+简体中文训练集**

大致流程：

根据已有的字体文件，将这些字体绘制到图片上，再通过OCR识别这些字符。

注意：

字体越多，识别花费的时间就越长；
能通过字体文件规律解密的，则不建议使用这种方法；

环境配置

环境配置参考文章：https://blog.csdn.net/u010454030/article/details/80515501

下载tesseract

tesseract-ocr-setup-3.05.02下载

下载训练集

中文训练集下载

识别代码

# -*- coding: utf-8 -*-
"""
Created on 2021/4/27 16:34
---------
@summary: 
---------
@author: mkdir700
@email:  mkdir700@gmail.com
"""
import base64

import numpy
import pytesseract
from fontTools.ttLib import TTFont
from PIL import Image, ImageDraw, ImageFont


def fontConvert(fontPath):
    """
    解析字体文件
    :param fontPath: 字体文件路径
    :return: 编码和汉字的对应关系
    """
    font = TTFont(fontPath)
    codeList = font.getGlyphOrder()[1:]
    # print(codeList)
    
    # 创建画布
    im = Image.new("RGB", (1800, 1000), (255, 255, 255))
    dr = ImageDraw.Draw(im)
    
    # 加载字体文件对象
    font = ImageFont.truetype(fontPath, 40)
    
    word_count = len(codeList)
    if word_count >= 40:
        lines = word_count // 40  # 文字排列的行数，在图片上分行展示
    else:
        lines = word_count
    arrayList = numpy.array_split(codeList, lines)
    # print(arrayList)
    
    # 将字体文件中的文字绘制成图片
    for t in range(lines):
        newList = [i.replace("uni", "\\u") for i in arrayList[t]]
        text = "".join(newList)
        text = text.encode('utf-8').decode('unicode_escape')
        dr.text((0, 50 * t), text, font=font, fill="#000000")
        
    im.save("temp.jpg")
    # im = Image.open("temp.jpg")      #可以将图片保存到本地，以便于手动打开图片查看
    result = pytesseract.image_to_string(im, lang="chi_sim")
    result = result.replace(" ", "").replace("\n", "")
    codeList = [i.replace("uni", "&#x") for i in codeList]
    return dict(zip(codeList, list(result)))


if __name__ == '__main__':
    b = "xxxx="
    content: bytes = base64.b64decode(b.encode())
    with open('./1.ttf', 'wb') as f:
        f.write(content)
    print(fontConvert('./1.ttf'))