聊聊知乎盐选反爬 (回答页篇)

最近，知乎上线了针对专栏[1]中盐选文章的反爬系统，随后该系统也被运用在知乎回答页面中的盐选文章上。具体表现为爬取的文章内容中出现大量的错乱词汇。而在本篇文章中，我们将一步步带领各位解开这些乱码。在这个过程中，我们将对字体反爬有更深入的认识，并学到运用字体反爬时需要注意的问题。

一、知乎反爬效果

来自知乎回答不被爱是一种什么样的感受？ - 知乎

乱码示意图

如图所示，在页面源码中出现了大量乱码，例如（原字，错字）：[2]

  • 中 -> 在
  • 是 -> 时
  • 上 -> 大

这些乱码使得文章可读性大大下降，那么乱码是怎么产生的？又如何解决这个问题呢？

二、找寻乱码真凶

观察上述现象，页面源码中的字，在被显示到页面后，居然变成了正确的字。因此我们初步推断知乎在该页面运用了字体反爬。

接下来我们打开 F12 -> Network 页面，选择 Font，观察知乎加载的字体。

知乎加载的字体

右键选择 Open in new tab 将字体保存下来。

下载的字体文件

将字体后缀名改为 .ttf [3] 并打开。

正常字体
反爬字体

与正常字体对比，我们下载的字体明显替换了部分字体，这便是知乎用于反爬的字体了。接下来我们将分析这个字体并给出应对方案。

三、致命缺陷

字体反爬的根本原理是替换原本的字为一个新字，再用字体将新字渲染为原字，这样对程序而言就只见到新字而不是旧字了，而用户看到的还是原本的内容。因此只要找到新字与原字间的对应关系便可解决该反爬。而要找到这个对应关系，抓住字体中各个字形的特征是必不可少的一环。

我们打开 FontDrop! 加载字体，向下翻，观察字形的特征。

字体中的字形

我们发现字形的 Glyph 为 uni662F 而 Unicode 为 65F6，接下来我们试着查询这两个十六进制数对应的字：

1
2
3
4
glyph = "\u662F"
unicode = "\u65F6"
print(glyph, unicode)
# output: 是 时

正好，上文提到，「是」在源码中被替换为了「时」。知乎在反爬字体中保留了原字与新字的对应关系，为我们提供了一个极为便捷的捷径。我们可以直接读取这个对应关系，而不是比对每个字的笔画[4]。然而，这也是其字体反爬系统的致命缺陷，各位在自己的网站运用字体反爬时也要注意这一点。

至此，字形的特征与对应关系都被我们分析出了，接下来我们将编写程序从字体中提取对应关系。

四、提取对应关系

要提取各个字间的对应关系，首先我们需要安装 fontTools [5]。

1
pip install fonttools

用 ttLib.TTFont(filename) 打开字体：

1
2
3
from fontTools import ttLib

font = ttLib.TTFont(input("Input font filename: "))

初始化一个存储对应关系的字典：

1
zhihu_dict = {}

遍历字形，获得其 Glyph 与 Unicode，并写入字典（注意这里的Glyph对应的字可能不是标准的字，比如是康熙部首[6]，因此我们要对其标准化[7]）：

1
2
3
4
5
6
7
8
from unicodedata import normalize

cmap = font.getBestCmap()

for x in cmap.items():
    zhihu_dict[chr(x[0])] = normalize("NFKC", chr(int(x[1][3:], 16)))

print(zhihu_dict)  # {'一': '不', ......, '这': '发'}

（这里的 cmap 是一个 dict，是字形的 {Unicode: Glyph}[8]）

接下来，我们将使用得到的对应关系将带乱码的文章转为正常文章。

五、去除乱码

这段代码很简单，不作解释。

1
2
3
raw_content = "在间那块奶酪夹心，时饼干被的喜爱了灵魂。"
new_content = raw_content.translate(str.maketrans(zhihu_dict))
print(new_content)  # 中间那块奶酪夹心，是饼干被人喜爱的灵魂。

六、全部代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from fontTools import ttLib
from unicodedata import normalize

font = ttLib.TTFont("DynamicFonts30.ttf")

zhihu_dict = {}
cmap = font.getBestCmap()

for x in cmap.items():
    zhihu_dict[chr(x[0])] = normalize("NFKC", chr(int(x[1][3:], 16)))

print(zhihu_dict)  # {'一': '不', ......, '这': '发'}

raw_content = "在间那块奶酪夹心，时饼干被的喜爱了灵魂。"
new_content = raw_content.translate(str.maketrans(zhihu_dict))
print(new_content)  # 中间那块奶酪夹心，是饼干被人喜爱的灵魂。

温馨提示：上面字体文件名记得换成你自己下载的字体文件名

结语

在本文的带领下，我们粗略地了解了知乎所使用的反爬技术，分析了其使用的反爬字体，找出了原字与新字的对应关系，最终将带乱码的文章转为了正常文章。其中，知乎使用的反爬字体没有去掉 Unicode 与 Glyph 的对应关系，虽然这使我们更轻松地得到了对应关系，但是对于知乎而言，这种错误无疑是致命的，因此，在字体反爬的实际运用中，我们更需要避免这种错误。[9]

知乎也在该反爬系统部署到回答页不久以后升级了其专栏反爬系统，本文所介绍的致命缺陷已被修复[10]，而解码新反爬系统的内容，就留到本系列的下篇吧。

（敬请期待）

友情链接

  1. 专栏反爬现已更新，故本文只以回答反爬为演示。 ↩
  2. 由于知乎回答页反爬使用了两套字体，故本文所有截图，代码运行结果等内容可能与实际不符。你可以选择以实际为主或刷新页面直到页面显示的内容与本文一致。 ↩
  3. .ttf 是因为 data:font/ttf;... 代表该字体是 ttf 格式的。 ↩
  4. 基于笔画比对的反爬破解见该文章：字体反爬之汽车之家_51CTO博客_汽车之家字体反爬（话说这篇文章和下面注 9 是一个网站吧） ↩
  5. fontTools文档：fontTools Docs — fontTools Documentation ↩
  6. 康熙部首相关文章：康熙部首导致的字典查询异常 ↩
  7. 标准化相关文章：化异为同，Python 在背后帮你做的转换 ↩
  8. 其中 Unicode 为 int 而 Glyph 为形如 uni4E0D 的 str ↩
  9. 关于如何创造更坚固的字体反爬系统，可以参考这篇文章：反爬终极方案总结—字体反爬 - 知乎（值得一提的是这篇文章就被发表在在知乎上 2333） ↩
  10. 值得表扬 ( •̀ ω •́ )y ↩
#cxzlw #Python #知乎 #反爬 #逆向 #爬虫
聊聊知乎盐选反爬 (回答页篇)
https://blog.cxzlw.top/2023/07/05/zhihu-aac-old/
作者
cxzlw
发布于
2023年7月5日
许可协议