python 破解字体反爬 （二）

上一篇我介绍了破解58同城的字体反爬

https://blog.csdn.net/BigBoy_Coder/article/details/103239672

中间遗漏了几个细节，在这边文章我做一下补充：

遗漏点一：

并不是所有的字体文件格式都是.ttf格式的文件，这里我们要针对原网页的，进行判断

怎么判断呢？

比如：https://su.58.com/qztech/ 右键查看源码，

我们发现，文件的字体格式是woff形式的，所以这里我们把文件写成.woff格式就好了 

那我们在进入https://sz.58.com/chuzu/这个页面。我们查看源码

我们发现，文件的字体格式是ttf形式的，所以这里我们把文件写成.ttf格式就好了  

遗漏点二：

 上一篇文章我们是在cmap，获取字符编码的，但并不是所有的都是这样，猫眼是把编码对象在glyf 

所以我们还是要灵活的去分析xml文件，

遗漏点三：

当我们看到字体文件，每个字可以看到字形和字形编码。

观察现在箭头指的地方和前面箭头指的地方的数字是不是一样啊，没错，就是通过这种方法进行映射的。

所以我们现在的思路似乎就是在源代码里找到箭头指的数字，然后再来字体里找到后替换就行了。

恭喜你，如果你也是这么想的，那你就掉坑里了。

因为每次访问，字体字形是不变的，但字符的编码确是变化的。因此，我们需要根据每次访问，动态解析字体文件。

 

好了说完这两个遗漏点之后，进入到今天的主要内容，手动构建字体映射表：

由于 操作详细步骤在上篇文章，都详细做了介绍，在这篇文章只做分析过程

网页地址：https://su.58.com/qztech/

步骤（1）：打开网页把字体文件保存下载，并且转换成xml格式

FontCreator打开58.woff文件:

重复步骤一：

打开58_2.woff文件：

对比两个文件，我们发现

   

 

因为每次访问，字体字形是不变的，但字符的编码确是变化的。因此，我们需要根据每次访问，动态解析字体文件。

 到这里我们想通过写死字体哪种方式是不行了：

分析一下两个字体文件的对应的xml文件，搜索 “技”，对应的编码：

xml的格式如下：

文件很长，我只截取了一部分。

仔细的观察一下，你会发现~这俩下面的x,y,on值都是一毛一样的。所以我们的思路就是以一个已知的字体文件为基本，然后将获取到的新的字体文件的每个文字对应的x,y,on值进行比较，如果相同，那么说明新的文字对就 可以在基础字体那里找到对应的文字，有点绕，下面举个小例子。

假设: “我” 在基本字体中的名为uni1，对应的x=1,y=1,n=1新的字体文件中，一个名为uni2对应的x，y, n分别于上面的相等，那么这个时候就可以确定uni2 对应的文字为”我”。

查资料的时候，发现在特殊情况下，有时候两个字体中的文字对应的x,y不相等，但是差距都是在某一个阈值之内，处理方法差不多，只不过上面是相等，这种情况下就是要比较一下。

分析到这我么就可一构建字体映射表编写代码，爬取相关信息了

# coding=utf-8
import requests
import re
import time
import  lxml.html as H
import base64
from fontTools.ttLib import TTFont


def get_data(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36',
    }
    session = requests.session()
    con = session.get(url, headers=headers)
    doc = H.document_fromstring(con.content)

    font_data_origin = re.search(r'base64,(.*?)\)', con.text, re.S).group(1)
    font_data_after_decode = base64.b64decode(font_data_origin)

    new_font_name = "font_new.woff"
    with open(new_font_name, 'wb') as f:
        f.write(font_data_after_decode)

    map_data = tff_parse(new_font_name)
    names = doc.xpath('//span[@class="infocardName fl stonefont resumeName"]/text()')
    # 有的时候会找不到，可以多执行几次；
    if names:
        for name in names:
            print('name in page source', name)
            for j in map_data.keys():
                    name = name.replace(j, map_data[j])
            print ('name actual', name)

def tff_parse(font_parse_name):
    # 我这里的字体的顺序，如果你的不同，一定要修改
    font_dict = [u'博', u'经', u'硕', u'届', u'大', u'刘', u'8', u'1', u'士', u'E', u'2', u'6', u'张',
                 u'M', u'验', u'5', u'本', u'赵', u'陈', u'吴', u'李', u'生', u'4', u'校', u'以', u'应', u'黄',
                 u'技', u'无', u'女', u'A', u'周', u'中', u'3', u'王', u'7', u'0', u'9', u'科', u'高', u'男',
                 u'杨', u'专', u'下', u'B']
    font_base = TTFont('font_base.ttf')
    font_base_order = font_base.getGlyphOrder()[1:]
    # font_base.saveXML('font_base.xml')  调试用

    font_parse = TTFont(font_parse_name)
    # font_parse.saveXML('font_parse_2.xml')调试用
    font_parse_order = font_parse.getGlyphOrder()[1:]

    f_base_flag = []
    for i in font_base_order:
        flags = font_base['glyf'][i].flags
        f_base_flag.append(list(flags))

    f_flag = []
    for i in font_parse_order:
        flags = font_parse['glyf'][i].flags
        f_flag.append(list(flags))

    result_dict = {}
    for a, i in enumerate(f_base_flag):
        for b, j in enumerate(f_flag):
            if comp(i, j):
                key = font_parse_order[b].replace('uni', '')
                key = eval(r'u"\u' + str(key) + '"').lower()
                result_dict[key] = font_dict[a]
    return result_dict

def comp(L1, L2):

    if len(L1) != len(L2):
        return 0
    for i in range(len(L2)):
        if L1[i] == L2[i]:
            pass
        else:
            return 0
    return 1




if __name__ == '__main__':
    url = "https://su.58.com/qztech/"
    get_data(url)

反扒日系更新，以下两篇文章，推荐看一看

https://www.freebuf.com/articles/web/206966.html

https://www.jianshu.com/p/4d28dd440cdd