Python爬虫如何应对字体加密反爬_利用FontTools解析偏移字体映射-Python教程-PHP中文网

字体加密反爬的本质是字体映射混淆，即网页用自定义字体将乱码字符（如 ሴ）通过 .woff/.ttf 的 cmap 表映射为真实数字，html 中实际存储的是 unicode 码点而非明文。

python爬虫如何应对字体加密反爬_利用fonttools解析偏移字体映射

字体加密反爬的本质是什么

网页用自定义字体渲染数字或文字，实际 HTML 里是乱码字符（如 ሴ），但浏览器通过加载的 .woff 或 .ttf 文件把它们映射成真实文本。Python 爬虫直接解析 HTML 拿到的是 Unicode 码点，不是原意——这根本不是“加密”，而是“字体映射混淆”。

关键判断：只要页面没用 canvas/svg/图片绘字，且字体文件可下载，就一定能还原。难点不在解密，而在准确提取字体中的 cmap 表映射关系。

用 FontTools 提取 cmap 映射的最小可行步骤

FontTools 是最轻量、最可控的方案，比 OCR 或图像识别稳定得多，也比硬写 TTF 解析器靠谱。

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

确保已安装：pip install fonttools
下载字体文件（注意：URL 可能带时间戳或 token，需复现请求头，尤其是 Referer 和 User-Agent）
用 TTFont 加载后，优先查 getBestCmap()，它自动选最常用编码表（通常是 platformID=3, platEncID=1，即 Windows Unicode）
遍历返回的 dict，键是 Unicode 码点（int），值是字形名（str）；部分字体用 glyf 表偏移+命名规则反推数字，但多数情况字形名含数字（如 uniE001 → 实际对应数字 1）

from fontTools.ttLib import TTFont
<p>font = TTFont("example.woff")
cmap = font.getBestCmap()  # 返回 {69633: 'uniE001', 69634: 'uniE002', ...}
reverse_map = {v: k for k, v in cmap.items()}</p><h1>若字形名有规律，比如 uniE001 ~ uniE009 对应 1~9，则：</h1><p>num_map = {name: int(name[-1]) for name in reverse_map if name.startswith('uniE0')}</p>

常见翻车点：cmap 为空、映射不全、动态字体更新

`cmap` 为空？检查字体是否损坏，或是否用了非标准编码（尝试 `font['cmap'].tables` 手动遍历所有子表，找 `platformID==3 and platEncID in (1, 10)`）

映射不全？有些字体把数字映射到私有区（`U+E000–U+F8FF`），但 HTML 里写的却是另一套码点（比如服务端做了二次转换），此时要对比网页源码里的 `...` 值和字体中实际存在的码点

动态字体更新？每次访问返回不同字体文件（hash 变、内容微调），不能本地缓存一个字体一劳永逸。必须每次请求时下载对应字体，并做哈希校验或版本提取（比如从字体 `name` 表里读 `Version` 字段）

如何把 HTML 中的乱码字符转成真实数字

核心是：HTML 实体 → Unicode 码点 → 字形名 → 真实字符。中间任何一环断掉都会失败。

解析 HTML 实体要用 html.unescape()，别用正则硬拆 ...，否则会漏掉十进制写法（Ӓ）
得到字符后，用 ord(char) 转码点，再查 cmap 得字形名
如果字形名无数字规律（如叫 glyph00012），就得结合 glyf 表坐标偏移或提前准备的映射样本（比如爬几次固定页面，人工标注几组对应关系，训练简单匹配逻辑）

import html
<p>text = "¥"
clean = html.unescape(text)  # '¥'
for c in clean[1:]:  # 跳过 ¥
codepoint = ord(c)
glyph_name = cmap.get(codepoint)
if glyph_name and glyph_name.startswith('uniE'):
digit = int(glyph_name[-1])
print(digit, end='')  # 输出 132</p>

字体映射本身不难，难的是每次遇到新站点都要重新确认 cmap 表结构、字形命名习惯、以及服务端是否在字体外加了额外混淆层（比如先 base64 再嵌入 CSS）。别迷信“通用映射表”，现场分析才是常态。