《封号码罗》python爬虫之抖音分享页破解字体反爬虫进阶实战（六）

关注

VIP免费原创最新推荐文章于 2026-08-10 16:55:38 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

Python 爬虫实战：破解 woff2 字体加密的完整流程与双引擎识别策略本文详细解析了Python爬虫应对网站字体加密的完整解决方案。针对常见的woff2字体加密，文章提供了从定位下载字体文件、使用fontTools库解析字形，到结合ddddocr与百度OCR双引擎进行高精度识别的全流程实战指南，并分享了结果融合与人工校验策略，最终构建可靠的映射字典以解密数据。阅读详情

无敌免责声明：本文主要用于学习技术，切不可用于非法盈利目的，不可用于商业，不可攻击该服务器
先放出结果镇楼：

{
   
   'nickname': 'Dear-迪丽热巴', '抖音ID': '274110380', 'work': '演员', 'signature': '先定一个能达到的小目标，比方说来句签名', '关注数量': '0', 'fans': '5130.4w', 'zan': '17058.8w'}
list index out of range
{
   
   'nickname': '莉哥o3o', '抖音ID': 'kelly0711', 'work': '', 'signature': '无小号 承蒙厚爱 倍感珍惜????Babe们来围脖找我吧ฅ՞•ﻌ•՞ฅ：莉哥OvO', '关注数量': '26', 'fans': '3037.3w', 'zan': '26917.9w'}
{
   
   'nickname': '娄艺潇', '抖音ID': '142152200', 'work': '抖音音乐人', 'signature': '会跳舞的歌手里体育最好的演员。', '关注数量': '43', 'fans': '2114.4w', 'zan': '10023.6w'}

第一步：分析网页结构，确定抓取数据

在这里插入图片描述
页面的内容不多，主要获取昵称、抖音ID、工作、个性签名、关注数、粉丝数、获赞数等
观察页面，可以发现，显示数字的地方在Element里面显示的都是小方框，根据上一节的内容，不难判断是遇到了字体反爬虫，于是我们到Network里面查看网页的源代码
在这里插入图片描述
在Network里面，我们可以看到网页源码，数字被抖音ID： kelly<i class="icon iconfont "></i>代替了，例如所代表的就是数字0，这就是字体反爬虫的一个手段之一

第二步：查看字体文件，构建自定义字典列表映射

注意：我这里所说的映射，不是下图所显示的数据
在这里插入图片描述
这种字典是治标不治本，我们要通过算法，让代码去实现映射，而不是单单的人为自定义字典影视
手动下载字体文件，可能你还并不清楚如何下载，选中字体文件，如下，然后右键，选择Open in new tab,之后文件就会自动下载，在浏览器左下角会有提示，然后我们把下载好的字体，放在项目目录里面
在这里插入图片描述

# 打开字体文件
xml_path = os.path.dirname(__file__)
font = TTFont(xml_path + "/font/iconfont_9eb9a50.woff")
# 另存为XML文件，方便查看,只保存一次就注释下面的这一行命令
font.saveXML(r"D:\gcw\learn_crawler\APP_data\spider_douyin\font\douyin.xml")

分析xml字体文件

# 查看douyin.xml文件，，字符到字形映射表<cmap>的内容，<map>标签中的code代表字符，name代表字形名称
# <map code="0xe602" name="num_"/><!-- ???? --> 代表的是1
# 分析发现，每一个数字都有不同的三个映射关系，如数字1
# <map code="0xe603" name="num_1"/><!-- ???? --> 代表的是0
# <map code="0xe60d" name="num_1"/><!-- ???? -->
# <map code="0xe616" name="num_1"/><!-- ???? -->

按照code的值和网页源码进行对比分析

# 经过分析，code和name的映射对应值如下：
"""
<map code="0xe602" name="num_"/><!-- ???? -->  1
<map code="0xe603" name="num_1"/><!-- ???? --> 0
<map code="0xe604" name="num_2"/><!-- ???? --> 3
<map code="0xe605" name="num_3"/><!-- ???? --> 2
<map code="0xe606" name="num_4"/><!-- ???? --> 4
<map code="0xe607" name="num_5"/><!-- ???? --> 5
<map code="0xe608" name="num_6"/><!-- ???? --> 6
<map code="0xe609" name="num_7"/><!-- ???? --> 9
<map code="0xe60a" name="num_8"/><!-- ???? --> 7
<map code="0xe60b" name="num_9"/><!-- ???? --> 8
......
"""

有一点必须要知道，就是code虽然有三种情况对应同一个数字，但是name的值是一个对应一个数字，那我们要做的就是，根据code去找到name，然后根据name确定对应的数字值，并且字形数据是唯一的，字形数据保存在表<glyf>中，且每个字形都是独立的

# 根据xml的原始数据，手动给出映射数据
# 读取字体文件
tree = ET.ElementTree(file=xml_path + "/font/douyin.xml")
# tree = ET.ElementTree(file="D:/gcw/learn_crawler/APP_data/spider_douyin" + "/font/douyin.xml")
# 定义两个空白字典，用于存储映射数据，然后遍历
s = {
   
   "name": "", "value": "", "hex": ""}    # 没有使用该字典，仅用来设计字典结构
ys = {
   
   "name": ""}
# 遍历XML的TTGlyph这个标签，用的是iter这个方法
for elem in tree.iter(tag="TTGlyph"):
    if len(elem.attrib["name"]) >= 4 and len(elem.attrib["name"]) < 6:
        ys["name"] = elem.attrib["name"]
        # print(ys)
# 注意：为了更好的观测数据，我用打印出来的ys数据，填充到来下面的这个字典，value值是通过网页对比获得
base_font = {
   
   
    "font": [{
   
   'name': 'num_', "value": "1", "hex": ""},
             {
   
   'name': 'num_1', "value": "0", "hex": ""},
             {
   
   'name': 'num_2', "value": "3", "hex": ""},
             {
   
   'name': 'num_3', "value": "2", "hex": ""},
             {
   
   'name': 'num_4', "value": "4", "hex": ""},
             {
   
   'name': 'num_5', "value": "5", "hex": ""},
             {
   
   'name': 'num_6', "value": "6", "hex": ""},
             {
   
   'name': 'num_7', "value": "9", "hex": ""},
             {
   
   'name': 'num_8', "value": "7", "hex":