入门级反扒-字体反扒基础

字体反爬是一种常见的反扒手段，利用自定义的字体对比较重要的信息进行加密。例如安居客的租房信息，查看源代码关于价格的部分：

其中价格的部分被替换成了 HTML 中的字符实体。然后 HTML 根据编码方式以及指定的字体将字符实体渲染为可以看到的文字。

但是，想要了解字体加密的基本原理，还需要了解字体的表示方法。例如，对于像 &#x9476 怎么转换成能看到的文字呢？实际上是因为在字体数据文件中主要做了这两种映射:

将字符编码与字符名称对应
字符名称与字形数据对应

浏览器遇到 &#x9476，先从字体数据中找到其对应的字符名称，根据字符名称再找到字形数据，然后将字形数据渲染为屏幕上可见的文字。例如，安居客的字体是直接利用base64编码嵌入到网页中的:

利用 python 中 fontTools 可以将其保存为 xml 文件:

from fontTools.ttLib import TTFont
font = TTFont(BytesIO(base64.decodebytes(font_data.encode())))
f.saveXML("font.xml")

其中 font_data 就是提取出的base64字符串。

打开文件 font.xml， cmap 部分存储着字符编码与字符名称的映射关系，例如:

其中的 code 就表示字符编码，而 name 就表示字符名称。例如刚才的 &#x9476 实际上就是 0x9476，其对应的字符名称就为 glyph00007。当然，经过前人的总结，我们知道

glyph0000x 实际上对应的为 x -1

即 glyph00007 的字形数据渲染出来则为数字 6 。那么能不能解析html时直接将 &#x9476 替换为 6 呢？实际上是不行的。因为每一次字符编码与字符名称是动态生成的，即每一次访问他们的关系都会发生变化。所以必需在每一次爬取时先解析出网页中的字体数据(base64编码)，然后解析出字符编码与字符名称的对应关系，根据字符编码找到字符名称，然后将字符名称替换成真实的数据。其过程为:

寻找字体数据 -> 获取映射关系 -> 根据映射关系将 字符编码 转换为字体名称 
-> 根据字体名称得到真实数据

当然，为了获得映射关系不需要每次先保存为 xml 再提取，fontTools 已经有了现成的方法:

from fontTools.ttLib import TTFont
font = TTFont(BytesIO(base64.decodebytes(font_data.encode())))
c = font.getBestCmap()
print(c)
# {38006: 'glyph00007', 38287: 'glyph00005', 39228: 'glyph00003', 39499: 'glyph00006', 40506: 'glyph00010', 40611: 'glyph00002', 40804: 'glyph00009', 40850: 'glyph00004', 40868: 'glyph00001', 40869: 'glyph00008'}

只不过这里结果中的字符编码是使用的十进制而不是网页中的十六进制。

以上就是字体反爬的基础知识。实际上，字体反爬还有更复杂情况。例如刚才提到的映射关系:

字体编码 <----> 字符名称 <----> 字形数据

安居客的字体反爬只是动态变化字体编码与字符名称的关系。因此我们在找到字符名称时，直接可以得到其真实数据。但是有的网址，如猫眼电影其字符名称和字形数据之间的变换也是动态的。那么这种情况就不能直接根据字符名称来获得真实数据了，具体的解决办法在下一篇会详细说明。

最后完整的代码如下:

from fontTools.ttLib import TTFont
import base64
import re
from io import BytesIO
class FontDecoder:
    """
        html: 网页源代码
        decoder = FontDecoder(html)
        decoder.decode()
    """
    def __init__(self, html):
        self._split_re = re.compile(r"(&#x[A-Za-z0-9]{4};)")
        self._html = html
        secret_key = self.get_secret_key(html)
        # base64 字符转转换为字体数据
        self._font = TTFont(BytesIO(base64.decodebytes(secret_key.encode())))
        self._camp_table = self._font.getBestCmap() # 获取 cmap table

    def get_secret_key(self, page):
        secret_key = re.findall("charset=utf-8;base64,(.*?)'\)", page)
        if not secret_key:
            raise ValueError("解码字符串未找到")
        return secret_key[0]
    
    def decode_with_camp(self, cmap_table, char_code):
        char_name = cmap_table[char_code]
        num = int(char_name[-2:]) - 1
        return str(num)

    def decode(self, text=None):
        page = text or self._html
        decoded_chars = []
        for sequence in self._split_re.split(page): # 分割 字符实体 与 普通字符
            if self._split_re.match(sequence): # 如果是一个字符实体，则可能要进行解密
                char_code = int(sequence[3: -1], 16)  
                # 如果该字符实体在 cmap_table 中，则需要进行解密
                sequence = self.decode_with_camp(self._camp_table, char_code) \
                            if char_code in self._camp_table else sequence
            decoded_chars.append(sequence)
        return "".join(decoded_chars)