Python 破解字体加密自动获取番茄小说内容

一、前言

在网络爬虫开发中，很多网站会采用字体加密技术来保护其内容，防止被简单地抓取。番茄小说就是其中之一，它通过自定义字体将小说正文的字符映射到了 Unicode 私有用区，使得直接抓取到的 HTML 源码是一堆无法直接阅读的'乱码'。

本文将详细介绍如何使用 Python 破解这种字体加密，自动获取并还原番茄小说的真实内容。

二、核心思路

主要爬虫逻辑：

1. 如何发送请求：使用 Python 库向服务器发起网络请求
2. 发送给谁：明确目标资源的 URL 地址
3. 怎么伪装自己：设置请求头，模拟正常浏览器行为，避免被识别为爬虫
4. 响应信息处理：接收服务器返回的数据，并从中提取有效内容

破解字体加密的核心流程：

1. 分析网页：在小说页面打开检查--网络--字体找到自定义字体文件（通常是 .woff 或 .woff2 格式），右键在新标签页中打开下载
2. 渲染字体：将字体文件中的每个字符渲染成一张高对比度的黑白图片
3. OCR 识别：使用 OCR 工具识别出每张图片对应的真实文字
4. 构建映射：建立'字体码点 → 真实文字'的映射字典
5. 内容还原：使用这个字典将抓取到的乱码文本替换为真实可读的内容

三、环境准备

首先，我们需要安装几个关键的 Python 依赖库：

注意：ddddocr 库建议配合 Python 3.11 或 3.10 版本使用。

四、代码实现

获取映射字典

1. 字体渲染函数

这个函数负责将字体中的一个 Unicode 码点渲染成一张清晰的黑白图片，为后续的 OCR 识别做准备。

2. 字体识别与映射构建函数

这个函数遍历字体中的所有字符，调用上面的渲染函数生成图片，然后使用 OCR 识别，最终构建出破解字典。

3. 获取字体映射规则

下载的 .woff 字体文件需将其放在与 Python 文件同一位置的文件夹中，打开 .woff 文件需借助 FontCreator 等字体编辑工具。

主爬虫逻辑

1. 分析 + 思路

此时仅获取的是第一章的内容，又经过网页分析，发现番茄小说里面下一章按钮是 button 元素，没有 href，故回到目录页进行提取 href。

经过分析，发现章节 href 差异是数字 id 不同，故提取所有的数字 id，再循环遍历。

2. 获取所有加密的章节内容

以下是爬取所有加密的章节内容代码（读者可自行调整获取章节数量）。

3. 进行解密

由于之前已经获取到了映射字体规则：mapping，故将加密内容与映射规则替换即可。

五、整体代码

结合上述字体映射获取与爬虫逻辑，可编写完整脚本实现自动化获取与解密。