python爬虫——猫眼 fonts 字体破解

悠悠 2023-06-24 08:16 76阅读 0赞

学习之前，看了一下发现网上有教程，应该不难，但是现在都不行了，因为以前反爬虫字体只是简单的换了下字体名称，所有的参数都没有改变，所以有 TTFont 库，直接提取数值相等就可以判断这是代表哪一个字符，但是目前字体文件参数反爬做了随机偏移修改，所以网上的好像都不适合了。

## 一、前提 ##

编译IDA：pycharm 社区版  
python版本：python3.7.4  
用到的库：requests、re、os、TTFont

## 二、分析 ##

以其中一部电影为例（获取评分，人数，票房）：`https://maoyan.com/films/1190122`

**1、分析界面**  
根据请求响应，可以知道这直接就是 HTML 界面，数据可以在界面直接提取，但是数字进行了加密。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70]

**2、字体解密**  
所以其它方面我们可以先不考虑，难点在于如何对 fonts 字体进行破解。  
**（1）我们先打开两个 woff 文件查看对应代表的数字**  
发现虽然能够对应，但是找不到关联（其实就是用来确定一个基准的）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 1]  
**（2）我们将 woff 文件转换格式为 xml 查看**

font = TTFont('3b6875f2fb78e9f5bc1e16486febd9c22300.woff')
    font.saveXML('3b6875f2fb78e9f5bc1e16486febd9c22300.xml')

网上很多例子是以前的，打开查看对应数字的参数是一样的，所以只需要及简单的判断全部相等就可以了，有对应的的函数使用，但是现在 fonts 文件参数都做了随机修改，**所以参数就需要一个一个判断相似得到相等才可以**

**根据上面对应，找到在第一个里面 1 对应的是 uniE707，第二个里面 1 对应的是 uniF637，可以看到虽然代表的一样，但是具体的参数点做了随即修改。（而且有的代表的是一样的，但是描述的点个数还不一样）**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 2]  
即左右两张 1，还是有细微的差别的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 3]

**（3）想法**  
正是因为这种相似，且没有偏差太多，所以我就想能不能以其中一个为基准，只要以后的 fonts 文件坐标参数相差不是很大就行了，我们认为规定他在一个误差范围内，即可认定他们相等，只要相似的点数占总数（点个数多的为实际总数）的好多即可认为他就代表他。

**（4）基本步骤**

1.  设立一个基准 fonts 文件（woff格式）
2.  基准字体文件把数字和对应名称建立字典
3.  通过解析基准文件和新的字体文件，得到各个数字的 x,y,on 参数（xml格式）
4.  通过误差分析，得到相等的参数个数
5.  然后计算得到相似率，规定在好多以上即为相等（自己规定）
6.  相等的就以此更新基准字典得到新的字典
7.  用新的字典把加密数字解密即可

## 三、完整代码 ##

**分为两个文件**  
**（1）用来转换字典：Dict.py**

# !/usr/bin/python
 # -*- coding: utf-8 -*- 
 # @Time : 2019/12/21 15:51 
 # @Author : ljf
 # @File : Dict.py
 import re
 from fontTools.ttLib import TTFont
 
 
 def compare(list1, list2):
 """
 比较两个列表有好多符合规则（近似），调整误差使其精确
 Args:
 list1: 第一个字符的 x,y,on 的列表
 list2: 第二个字符的 x,y,on 的列表
 Returns: 近似个数
 """
 l1 = len(list1)
 l2 = len(list2)
 # 剔除起笔不一样的，误差在 20 以内
 if ((int(list2[0][0]) - 20 < int(list1[0][0]) < int(list2[0][0]) + 20)
 or (int(list2[0][1]) - 20 < int(list1[0][1]) < int(list2[0][1]) + 20)) \
 and (int(list2[0][2]) - 20 < int(list1[0][2]) < int(list2[0][2]) + 20):
 pass
 else:
 return 0
 # 查询近似个数，误差在 15 以内
 count = 0
 for i in range(0, l1):
 for j in range(0, l2):
 if (int(list2[j][0]) - 15 < int(list1[i][0]) < int(list2[j][0]) + 15) \
 and (int(list2[j][1]) - 15 < int(list1[i][1]) < int(list2[j][1]) + 15) \
 and (int(list2[j][2]) - 15 < int(list1[i][2]) < int(list2[j][2]) + 15):
 count = count + 1
 return count
 
 
 def update_dict(list1, list2, dict_base, name_base, name_new):
 """
 得到新的字典，根据相似比率，判断是否相等，确定映射关系
 Args:
 list1: 基准字体文件每个字体具体参数 x,y,on
 list2: 下载字体文件每个字体具体参数 x,y,on
 dict_base: 基准字体文件映射字典
 name_base: 基准字体文件各个字体名
 name_new: 下载字体文件各个字体名
 Returns: 新的映射字典
 """
 keys = []
 values = []
 for i in range(0, 11):
 for j in range(0, 11):
 if len(list1[i]) < len(list2):
 total = len(list2[i])
 else:
 total = len(list1[i])
 count = compare(list1[i], list2[j])
 # 相似比率
 if (count / total) > 0.7:
 keys.append(name_new[j])
 values.append(dict_base[name_base[i]])
 # print(list1[i][0], list2[j][0])
 # print(keys)
 # print(values)
 dict_new = dict(zip(keys, values))
 print(dict_new)
 return dict_new
 
 
 def start(font_file):
 """
 Args:
 font_file: 下载字体文件
 Returns: 新的映射字典
 """
 # 打开自己保存的基准 woff 文件，设置映射关系
 font_base = TTFont("./fonts/base.woff")
 # 切片，第一个是空格，无参数
 name_base = font_base.getGlyphNames()[1:]
 values = list('8916537420.')
 # 创造初始字典对应
 dict_base = dict(zip(name_base, values))
 print(dict_base)
 # 同理打开网页 woff 文件
 font_new = TTFont("./fonts/{}".format(font_file))
 name_new = font_new.getGlyphNames()[1:]
 # 记录所有 x,y,on 参数数值
 lists_base_all = []
 lists_new_all = []
 with open('./fonts/base.xml') as f_baes:
 xml_base = f_baes.read()
 with open('./fonts/{}.xml'.format(font_file[:-5])) as f_new:
 xml_new = f_new.read()
 # 提取每个字符的 x,y,on，步骤：先切片分割，再正则表达式提取
 s_base = xml_base.split("</TTGlyph>")[:-1]
 for i in range(0, len(s_base)):
 lists_base = []
 contour = re.findall('<pt (.*?)/>', s_base[i])
 for j in range(0, len(contour)):
 x = re.findall('x=\"(.*?)\"', contour[j])
 y = re.findall('y=\"(.*?)\"', contour[j])
 on = re.findall('on=\"(.*?)\"', contour[j])
 lists_base.append(x + y + on)
 lists_base_all.append(lists_base)
 s_new = xml_new.split("</TTGlyph>")[:-1]
 for i in range(0, len(s_new)):
 lists_new = []
 contour = re.findall('<pt (.*?)/>', s_new[i])
 for j in range(0, len(contour)):
 x = re.findall('x=\"(.*?)\"', contour[j])
 y = re.findall('y=\"(.*?)\"', contour[j])
 on = re.findall('on=\"(.*?)\"', contour[j])
 lists_new.append(x + y + on)
 lists_new_all.append(lists_new)
 # 获取新的映射关系
 dict_new = update_dict(lists_base_all, lists_new_all, dict_base, name_base, name_new)
 return dict_new
 
 
 if __name__ == "__main__":
 # 测试使用（自己下载即可）
 start('3b6875f2fb78e9f5bc1e16486febd9c22300.woff')

**（2）用来解析界面：maoyan.py**

# !/usr/bin/python
 # -*- coding: utf-8 -*- 
 # @Time : 2019/12/21 15:53 
 # @Author : ljf
 # @File : maoyan.py
 import requests
 import re
 import os
 from fontTools.ttLib import TTFont
 import Dict
 
 
 def modify_data(data, dict_new):
 """
 Args:
 data: 初始数据
 dict_new: 字典映射
 Returns: 转换数据
 """
 # 将获取到的网页数据中的&#x替换成uni
 for i in dict_new:
 gly = i.replace('uni', '&#x').lower() + ';'
 # 替换乱码格式
 if gly in data:
 data = data.replace(gly, dict_new[i])
 return data
 
 
 class MaoYan:
 def __init__(self):
 """
 初始化
 """
 self.url = 'https://maoyan.com/films/1190122'
 self.films_headers = {
 
 "Host": "maoyan.com",
 "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
 "Accept-Language": "zh-CN,zh;q=0.8,zh-TW;q=0.7,zh-HK;q=0.5,en-US;q=0.3,en;q=0.2",
 "Accept-Encoding": "gzip, deflate, br",
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0",
 "Connection": "close",
 # 自己的cookie
 "Cookie": "",
 }
 self.woff_headers = {
 
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:71.0) Gecko/20100101 Firefox/71.0",
 "Connection": "close",
 # 自己的cookie
 "Cookie": "",
 }
 
 @staticmethod
 def get_html(url, headers):
 """
 发送请求
 Args:
 url: 请求网址
 headers:请求头
 Returns: 二进制格式
 """
 response = requests.get(url, headers=headers)
 return response.content
 
 def create_font(self, font_file):
 """
 下载 woff 字体文件
 Args:
 font_file: 字体文件格式
 Returns: 无
 """
 # 列出已下载文件
 file_list = os.listdir('./fonts')
 # 判断是否已下载
 if font_file not in file_list:
 # 未下载则下载新 woff 字体文件
 url = 'http://vfile.meituan.net/colorstone/' + font_file
 new_file = self.get_html(url, self.woff_headers)
 with open('./fonts/' + font_file, 'wb')as f:
 f.write(new_file)
 # 保存字体文件为 xml
 font = TTFont('./fonts/' + font_file)
 font.saveXML('./fonts/' + font_file[:-5] + '.xml')
 
 def start_crawl(self):
 """
 获取真实数据
 Returns: 无
 """
 html = self.get_html(self.url).decode('utf-8')
 # 正则匹配字体文件
 font_file = re.findall(r'vfile\.meituan\.net\/colorstone\/(\w+\.woff)', html)[0]
 self.create_font(font_file)
 dict_new = Dict.start(font_file)
 # 正则匹配评分
 star = re.findall(r'\s+(.*?)\s+', html)[0]
 star = modify_data(star, dict_new)
 # 正则匹配想看的人数
 people = re.findall(r'(.*?)', html, re.S)[0]
 people = modify_data(people, dict_new)
 # 正则匹配累计票房
 ticket_number = re.findall(r'<div class="movie-index-content box">\s+(.*?)(.*?)\s+</div>',html)[0]
 ticket_number1 = modify_data(ticket_number[0], dict_new)
 print('用户评分: %s' % star)
 print('评分人数: %s' % people)
 print('累计票房: %s' % ticket_number1, ticket_number[1])
 
 
 if __name__ == '__main__':
 MaoYan().start_crawl()

## 四、结果 ##

准确率大概：80%以上  
因为是近似计算，所以不是全部准确（有的判断不成功，有的还会重复），更加准确可以有两种方法  
**（1）使用跟小的误差值**  
但是要有度，否则一个都不匹配  
**（2）多次查询**  
最多两次就会正确，如果不正确，循环一次就好了。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 4]

## 五、总结 ##

**1、核心**  
数字最多就那样，再怎么变参数都有一定的规律，根据规则变就好了，这个只是细微修改，以后如果平移，稍作修改就可以了，规定在误差以内认为一样就行了。

**2、进阶**  
如果还能修改的话，那么估计就需要训练模型，得到各个参数（x, y, on），然后画图得到数字，接下来使用图片识别来确认对应数字。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191221210523302.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191221231537714.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191221233029182.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191221233227659.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191221235237685.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjEwOTAxMg==,size_16,color_FFFFFF,t_70