某政府采购网字体加密（woff文件解密）

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

本文所述方法适用于woff字体文件频繁变动的网站场景。若目标站点的woff文件较为固定，可考虑跳过图片处理环节，直接导出字体中的字符图像进行OCR识别，并辅以人工校验完成数据提取。

目标网站示例如下：

aHR0cHM6Ly96ZmNnLmN6dC56ai5nb3YuY24vbHViYW4vZGV0YWlsP3BhcmVudElkPTYwMDAwNyZhcnRpY2xlSWQ9VHpGSHNoQUk3OUxuUW1oemJQbG4vUT09

在对接口进行抓包分析时发现，正文内容由名为“detail”的接口返回。然而，响应数据中存在大量视觉上不可见的空白区域。通过复制操作可获取实际隐藏的文字内容，说明文本信息确实存在于页面中，但显示异常。

复制所得内容如下图所示：

进一步查看页面源码后，发现一段用于加载自定义字体的CSS规则。该样式定义了一个名为 "ZCY SC" 的字体族，通过@font-face引入了远程EOT与WOFF格式的字体文件，并强制将整个页面body元素的字体设置为此自定义字体。这种技术常被用作反爬虫手段——利用私有字符映射机制，使真实文本在未正确解析字体的情况下无法正常阅读。

<style type="text/css">
            @font-face {
                font-family: "ZCY SC";
                src: url('https://zcy-gov-open-doc.oss-cn-north-2-gov-1.aliyuncs.com/1147JT/117011d6-3243-4cbf-80e9-6b63f0f0592a.eot');
                src: url('https://zcy-gov-open-doc.oss-cn-north-2-gov-1.aliyuncs.com/1147JT/117011d6-3243-4cbf-80e9-6b63f0f0592a.eot?#iefix') format('embedded-opentype'),url("https://zcy-gov-open-doc.oss-cn-north-2-gov-1.aliyuncs.com/1147JT/b5ecddd8-d22e-4227-b9cc-70e6865de3e1.woff") format('woff')
            }

            body {
                font-family: "San Francisco", "PingFang SC", Arial, "Microsoft YaHei", 微软雅黑, "ZCY SC" !important;
            }
        </style>

因此可以判断，当前内容无法正常显示的原因正是由于使用了经过加密或重映射的WOFF字体文件。为还原原始文本，需对字体文件进行解密和映射关系重建。

整体流程拆解如下：

1. 获取网页当前使用的WOFF字体文件；
2. 解析该字体文件，提取其中的字形与Unicode编码对应关系；
3. 依据解析出的映射表，替换接口返回中的乱码字符，还原真实内容。

对于本案例而言，WOFF文件地址已在CSS代码中明确指出，无需额外查找，可直接进入第二阶段的解析工作。

WOFF字体解析步骤：

该过程可分为三个主要环节：

1. 解析WOFF文件并导出字符对应的图像；
2. 对导出的图像进行预处理优化；
3. 执行OCR识别，建立图像与实际文本之间的映射关系。

第一步：WOFF解析与图像导出 + 图像预处理
借助fontTools工具库实现WOFF文件的解析。为提高效率，本文将图像导出与预处理合并为一个步骤执行。导出的图片以对应字符的Unicode码点命名，便于后续追踪匹配。相关代码实现如下：

import json
import re
import ddddocr
import requests
import freetype
from fontTools.ttLib import TTFont
from PIL import Image
import os
from tqdm.auto import tqdm

def export_glyphs(woff_path, output_dir, canvas_size=(64, 64), margin_ratio=0.15):
    """
    将 WOFF 字体中的字符按 Unicode 编码导出为图片（如 uniF00C.jpg），字符与背景留15%空白。
    :param woff_path: WOFF 字体文件路径
    :param output_dir: 图片输出目录
    :param canvas_size: 输出图片尺寸（宽，高），默认 64x64
    :param margin_ratio: 字符与背景的留白比例，默认 15%（0.15）
    """
    # 1. 解析 WOFF，获取字符映射表（Unicode → 字形名称）
    font = TTFont(woff_path)
    cmap = font['cmap'].getBestCmap()  # 自动选择最优字符映射表
    # 2. 加载字体到 FreeType，准备渲染
    face = None
    ttf_path = None
    try:
        face = freetype.Face(woff_path)  # 尝试直接加载 WOFF（需 FreeType ≥2.8）
    except Exception as e:
        print(f"直接加载 WOFF 失败：{e}，尝试转换为 TTF...")
        # 若加载失败，先转换为 TTF（依赖 fonttools 的 woff2 模块）
        try:
            from fontTools.woff2 import decompress
            ttf_path = "temp_font.ttf"
            decompress(woff_path, ttf_path)
            face = freetype.Face(ttf_path)
        except Exception as e2:
            print(f"转换 TTF 失败：{e2}")
            return
    # 设置渲染尺寸（此处渲染为较大尺寸，后续缩放避免模糊）
    render_size = max(canvas_size) * 2  # 渲染尺寸翻倍，缩放后更清晰
    face.set_pixel_sizes(render_size, render_size)
    # 确保输出目录存在
    os.makedirs(output_dir, exist_ok=True)
    print(f"开始导出字符图片，共找到 {len(cmap)} 个字符映射...")
    print(f"图片尺寸：{canvas_size[0]}x{canvas_size[1]}，留白比例：{margin_ratio*100}%")
    success_count = 0
    for unicode_code, glyph_name in tqdm(cmap.items(), desc='导出进度', unit='item'):
        # 3. 获取字形索引，跳过无对应字形的字符
        glyph_index = face.get_char_index(unicode_code)
        if glyph_index == 0:
            continue
        # 4. 加载并渲染字形为位图
        try:
            face.load_glyph(glyph_index)
            glyph = face.glyph
            bitmap = glyph.bitmap

            # 跳过空字形（宽度或高度为 0）
            if bitmap.width == 0 or bitmap.rows == 0:
                continue

            # 5. 关键修复：将 bitmap.buffer 转换为 bytes（处理 list/bytes 兼容问题）
            if isinstance(bitmap.buffer, list):
                bitmap_data = bytes(bitmap.buffer)
            else:
                bitmap_data = bitmap.buffer

            # 转换为 Pillow 图像，并反转颜色（黑→白，白→黑）
            img = Image.frombytes('L', (bitmap.width, bitmap.rows), bitmap_data)
            img = img.point(lambda p: 255 - p)  # 颜色反转

            # ---------------------- 核心修改：计算15%留白并缩放字符 ----------------------
            # 1. 计算有效绘制区域（画布尺寸 - 两侧15%留白）
            effective_w = canvas_size[0] * (1 - 2 * margin_ratio)  # 左右各15%
            effective_h = canvas_size[1] * (1 - 2 * margin_ratio)  # 上下各15%

            # 2. 计算缩放比例（保持宽高比，不超过有效区域）
            orig_w, orig_h = img.size
            scale = min(effective_w / orig_w, effective_h / orig_h)  # 取最小比例避免超出

            # 3. 缩放字符（使用高质量缩放算法）
            new_w = int(orig_w * scale)
            new_h = int(orig_h * scale)
            img_scaled = img.resize((new_w, new_h), Image.Resampling.LANCZOS)  # 抗锯齿缩放

            # 4. 创建白色画布
            canvas = Image.new('RGB', canvas_size, color='white')

            # 5. 居中粘贴缩放后的字符（周围自然留出15%空白）
            x = (canvas_size[0] - new_w) // 2
            y = (canvas_size[1] - new_h) // 2
            canvas.paste(img_scaled, (x, y))
            # --------------------------------------------------------------------------

            # 7. 生成文件名并保存
            unicode_hex = f"{unicode_code:04X}"
            filename = f"uni{unicode_hex}.jpg"
            canvas.save(os.path.join(output_dir, filename))
            success_count += 1
        except Exception as e:
            print(f"导出 Unicode {unicode_code:04X} 失败：{e}")
            continue
    # 清理临时文件
    if ttf_path and os.path.exists(ttf_path):
        os.remove(ttf_path)
    print(f"导出完成！成功保存 {success_count} 张字符图片到 {output_dir}")

转换后的输出结果如图所示。之所以需要对图像进行预处理，是为了提升OCR识别的准确率，确保每个字符图像清晰、对比度高且无干扰噪点。

第二步：OCR识别
选用合适的OCR模型对处理后的图像逐一识别，并将识别结果与其对应的Unicode编码保存为结构化数据（如JSON格式），形成完整的字符映射表。

def recognize_font_images_with_ddddocr(image_dir, output_json_path):
    """
    使用ddddocr识别指定目录下的所有字体图片，并保存为JSON文件
    Args:
        image_dir: 包含字体图片的目录路径
        output_json_path: 输出的JSON文件路径
    """
    # 初始化ddddocr识别器
    ocr = ddddocr.DdddOcr(show_ad=False)

    # 存储识别结果的字典
    recognition_results = {}

    # 支持的图片格式
    supported_formats = {'.png', '.jpg', '.jpeg', '.bmp', '.tiff', '.tif'}

    # 获取目录下所有图片文件
    image_files = []
    for file in os.listdir(image_dir):
        file_ext = os.path.splitext(file)[1].lower()
        if file_ext in supported_formats:
            image_files.append(file)

    print(f"发现 {len(image_files)} 个图片文件，开始识别...")

    # 处理每个图片文件
    for i, filename in enumerate(tqdm(image_files, desc='识别进度'), 1):
        try:
            # 从文件名中提取unicode码
            unicode_match = extract_unicode_from_filename(filename)
            if not unicode_match:
                print(f"[{i}/{len(image_files)}] 跳过无法提取unicode的文件: {filename}")
                continue

            unicode_code = unicode_match
            file_path = os.path.join(image_dir, filename)

            # 使用ddddocr识别图片
            with open(file_path, 'rb') as f:
                image_bytes = f.read()

            # 识别文字
            recognized_text = ocr.classification(image_bytes)

            # 存储结果
            recognition_results[unicode_code] = recognized_text

            # print(f"[{i}/{len(image_files)}] 识别成功: {filename} -> {recognized_text} (Unicode: {unicode_code})")

        except Exception as e:
            print(f"[{i}/{len(image_files)}] 识别失败 {filename}: {e}")
            continue

    # 保存结果为JSON文件
    try:
        with open(output_json_path, 'w', encoding='utf-8') as f:
            json.dump(recognition_results, f, ensure_ascii=False, indent=2)
        print(f"???? 成功识别 {len(recognition_results)}/{len(image_files)} 个字符")
    except Exception as e:
        print(f"? 保存JSON文件失败: {e}")

最终得到的识别结果展示如下：

最终应用：
在正式的数据采集脚本中，加载上述生成的JSON映射文件，根据已知的字体映射关系对detail接口返回的混淆文本进行批量替换，从而实现原始内容的精准还原。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：政府采购 Off Recognition recognized Resampling