反爬虫攻防实战——字体篇

自从互联网大数据开始崭露头角之际，爬虫与反爬虫就成了业界永恒的话题，在这个资讯爆炸的时代占有一席之地。

有道是“道高一尺，魔高一丈”。你有动态验证，我有请求伪装。你有动态渲染，我有浏览器注入。你有ip限制，我有无限代理池。你有验证码，我有机器学习。

反爬虫必须要考虑真实用户的实际体验，而爬虫只需关注速度，先天的弱势条件使我们不得不尝试另辟蹊径（天外音：我们不和爬虫斗了）。

那么人相比普通的机器的优势在哪里呢？我们看看下面这句话：

研表究明，汉字序顺并不定一影阅响读！事证实明了当你看这完句话之后才发字现都乱是的。

人还是可以正常的阅读这些文字，但是机器却由于各种语义问题而陷入混乱。

当然我们不可能缺德到让用户都阅读这样的文字，只要能影响到机器的语义识别就足够了。虽然我们不能替换文字序列，但可以对文字本身进行乾坤大挪移，这就是我们今天要介绍的字体替换大法。

字体的开发工具有很多，这里我们作为演示选择adobe的AFDKO（https://www.adobe.com/devnet/opentype/afdko.html），首先我们使用其附带的ttx工具把要进行替换的字体文件解析成原始的font table。

接下来我们来了解下Font Table的规范：

Font Table的本质是一个xml的格式定义，这里我们重点要看的是其中的字体样式表

字体替换在这里有两种做法，一种是在cmap里做字体映射，但是这么做会存在生成的字体被反向出码表的隐患，所以我们需要完整的在glyf区段对字体的glyph内容进行替换。

我们先来做个简单的测试，打开微软雅黑的字体文件，我们能看到这样的字体预览

把全球两字的字模替换成世界，具体来说就是

全（U+5168）—— 世（U+4E16）

球（U+7403）—— 界（U+754C）

我们在glyf区段把他们对应的码表互换一下，然后用ttx重新编译字体，重新预览生成的字体文件就能完美展现我们需要的结果

在实际使用中，我们需要根据实际需要来决定需要打乱的字符集。然后对照混淆前后的码表对文字进行逐字替换。

对于普通用户来说，经过混淆后爬虫爬取的数据都是加密的信息，但是由于有自定义字体这层“密码本”，普通用户却可以完全无感知的阅读所有内容。

从本质上来说，这种做法是比较古典的传统字典加密法。英文由于只有26个字母，通过概率预测还是比较容易还原字典的。但是汉字的博大精深使得破解的成本大幅度提高，这便是字体加密立足的根基。