记某站字体混淆解析方案
内容提要
本文介绍了一种应对网站字体加密反爬虫的方法。通过OCR识别字体文件并人工校正，利用fontTools和PIL将每个字渲染为图片，计算imagehash建立字典，再动态解析字体文件，将加密数据映射为明文。该方法可动态适应字体变化，准确率高，但解析耗时约5秒，且字体更新时可能失效。
延伸解读
方案核心：imagehash 字典匹配
该方案的核心在于将字体文件中的每个字符渲染为固定尺寸的图片，并计算其 imagehash 值，建立 hash 到字符的映射。每次抓取数据时，对字体文件中的每个字符重新计算 hash，并在字典中查找最相似的字符，从而动态解析加密数据。这种方法避免了直接 OCR 的低效和高成本，同时能适应字体文件的动态变化。
适用场景与限制
此方案适用于字体文件字符数量有限（如 1k+）且变化不频繁的场景。其优势在于动态解析和较高的准确性，但劣势也明显：解析整个字体文件耗时约 5 秒，且当网站更新字体时可能失效。因此，该方法更适合对时效性要求不高的定期数据抓取，而非实时性要求高的场景。
与 OCR 方案的对比
相比直接使用 OCR 识别字体，该方案通过 imagehash 匹配字典，准确率更高，且无需每次都对字体进行 OCR 识别，降低了成本和错误率。但 OCR 仍被用于初始建立字典，且需要人工校正，因此初始构建字典时仍需一定人工参与。
Q&A
网站字体加密反爬虫的原理是什么？
网站通过自定义字体文件，将关键数据中的字符映射为自定义的编码（如#FontTag中的加密数据），浏览器加载字体文件后能正确显示，但爬虫直接抓取得到的是乱码。
如何动态解析网站字体加密？
通过OCR识别字体文件并人工校正，用fontTools和PIL将每个字渲染为图片，计算imagehash建立hash:char字典；每次抓取数据后，对字体文件的每个字符计算imagehash，从字典中找到最相似的字符，得到unicode:char映射，从而解析加密数据。
为什么不能直接使用OCR识别字体文件？
因为字体文件是动态的，无法一次识别一直使用；且直接OCR识别效率低、费用高、准确率低，尤其对生僻字识别效果差。
该字体混淆解析方案的优势有哪些？
优势包括：可动态解析字体文件，适应字体变化；单个网站多个页面可共用hash:char字典，新字体可追加；字体细微修改时相似度计算仍有效；比OCR准确性更高。
该方案存在哪些缺点或限制？
缺点包括：每次解析整个字体文件耗时较长（约1k字符/5秒）；当网站更新字体时，可能无法继续工作。
如何建立hash:char字典？
下载字体文件后，先用OCR（如PowerToys）识别并人工校正，然后用fontTools和PIL将每个字符渲染为64x64图片，用imagehash计算平均哈希值，最后将哈希值与OCR识别的字符对应，建立字典。
