---
title: 反爬虫：tyc-num.woff字体加密
date: 2018-12-06 09:48:51
description: 之前的爬虫程序更新，反爬虫：tyc-num.woff字体加密
categories: [技术总结]
tags: [Spring boot, Java, Jsoup, Crawler]
---

## 场景介绍
> 之前写的Jsoup爬虫中有个日期格式解码，一直以来都不知道是在哪里加密的，近期更新了爬虫程序，顺便发现了很多网站用字体加密的反爬虫套路，这种方式利用修改默认字体文件中的对应关系实现加密，传统方式很难破解。

### 奇怪的字体
在一些加密的数字和文字上，发现了一个奇怪的class属性
```html
<text class="tyc-num lh24">8348-39-88</text>
```
这个属性在css中就是使用一个字体：
```scss
.tyc-num {
  font-family: "tyc-num" !important;
}
```
在开发者工具NetWork-Font下找到了该字体：tyc-num.woff
Preview中看到的数字明显是乱序的，也就是说正常的数字显示已经混乱了，上面的`8348-39-88`在页面中显示为`2012-05-22`
### tyc-num.woff字体文件
下载了tyc-num.woff文件后，可以使用字体编辑工具打开，这里我用的是`FontCreator`。打开后发现不光是数字混乱了，有370个左右的中文字也做了混淆，例如搜索`可`对应看到的是`从`，查看原网页中的`可`在页面中显示的果然是`从`。
### 解决方法
- 目前暂时对数字做了解码，只要把字体中的数字对应关系替换回来就行了。
- 中文字符太多暂时没有好的办法。但是从一些未替换的字中也能大概猜出语义了。
- 有的网站会定期更换加密字体，这样也会破解失败！
**新的数字解码：**
```java
/**
 * 新的数字解码
 */
private static String decode2(String date) {
    char[] charArray = date.toCharArray();
    for (int i = 0; i < charArray.length; i++) {
        switch (charArray[i]) {
            case '8':
                charArray[i] = '0';
                break;
            case '6':
                charArray[i] = '2';
                break;
            case '2':
                charArray[i] = '3';
                break;
            case '0':
                charArray[i] = '4';
                break;
            case '9':
                charArray[i] = '6';
                break;
            case '3':
                charArray[i] = '8';
                break;
            case '4':
                charArray[i] = '9';
                break;
            default:
                break;
        }
    }
    return new String(charArray);
}
```
### 更新爬虫程序
这次更新是因为原来的网站添加了一些反爬虫机制，例如IP和访问次数这些，使用阿布云后仍无法成功，所以先更换了别的网站：
```java
public static AccountBookInfo getInfo(String bookName) {
    AccountBookInfo result = new AccountBookInfo();
    String encodeName;
    try {
        encodeName = URLEncoder.encode(bookName, "utf-8");
    } catch (UnsupportedEncodingException e) {
        return null;
    }
    Document doc = JsoupUtils.getUrlDocument("https://www.tianyancha.com/search?key=" + encodeName);
    if (doc == null) {
        return null;
    }
    // 获取详情页地址（列表的第一个公司）
    Elements rows = doc.select(".result-list a");
    if (rows.size() == 0) {
        return null;
    }
    Element row = rows.get(0);
    Document infoDoc = JsoupUtils.getUrlDocument(row.attr("href"));
    if (infoDoc == null) {
        return null;
    }

    result.accountBookName = infoDoc.select("h1[class=name]").text();
    result.legalPerson = infoDoc.select(".legal-representative a").text();
    result.registeredCapital = infoDoc.select("td:containsOwn(实缴资本)").next().text();
    result.establishDate = decode2(infoDoc.select("td:containsOwn(核准日期)").next().text());
    result.registeredNo = infoDoc.select("td:containsOwn(工商注册号)").next().text();
    result.organizationCode = infoDoc.select("td:containsOwn(组织机构代码)").next().text();
    result.socialCreditCode = infoDoc.select("td:containsOwn(统一社会信用代码)").next().text();
    result.businessStatus = infoDoc.select("div:containsOwn(公司状态)").next().text();
    result.companyType = infoDoc.select("td:containsOwn(公司类型)").next().text();
    result.businessScope = infoDoc.select("td:containsOwn(经营范围)").next().text();
    result.address = infoDoc.select("td:containsOwn(注册地址)").next().text();
    result.businessPeriod = infoDoc.select("td:containsOwn(营业期限)").next().text();
    return result;
}
```
### 传送门：
[Java爬虫获取企业工商信息](/2018/07/09/jsoup-company-info)
[Jsoup选择器语法](https://jsoup.org/cookbook/extracting-data/selector-syntax)