css数字字体反爬的解决方案

css数字字体反爬的解决方案

方案

使用Tesseract-OCR识别

步骤

1. 使用selenium请求页面
2. 定位到需要识别的元素
3. 对元素进行截图
4. 使用tesseract-ocr进行识别

优点

• 简单，有现成的工具
• 适用范围广，可适用于汉字

缺点

• 元素定位后的截图准确性的问题
• ocr识别受干扰线影响较大
• ocr识别的准确性问题
• ocr识别及图片处理的性能问题

使用点阵模板文件映射

步骤

1. 使用工具生成点阵模板xml文件，(css的demo及fonteditor在线工具，css的demo可以生成带有Unicode及对应的点阵列表；fonteditor在线工具用于填写unicode对应的值，该部分需要手工处理)
2. 使用http请求获取网页数据(使用selenium会导致unicode不能识别)
3. 使用正则表达式获取需要解析的unicode及woff/ttf文件
4. 使用css的demo方法获取unicode对应的值

优点

• 识别率十分高
• 性能较高

缺点

• 步骤较为复杂
• 准确性比较依赖对比算法
• 一般只用于数字字体识别

对比

• 对于数字字体反爬来说，两个方案的准确率都很高，相对来说，方案2的准确性会比方案一的高
• 方案一的稳定性受图片、ocr等影响，是不可控的，方案二只受对比算法影响，相对来说是可控的
• 方案一使用截图的方式，某些情况下元素的坐标点与实际不相符，问题会比较棘手，方案二必须使用正则表达式的方式获取，也会导致获取到不需要的数据，但一般来说，unicode字符前肯定有统一的className
• 方案二只能把页面当作字符串处理，会失去selenium处理页面的特性

demo地址

https://github.com/YeomanM/css.git