Python爬虫-字体加密 ddddocr FontCreator

目录

应用场景

解决思路

1.下载字体文件

2.分析

3.代码实现

版本1

版本2

应用场景

在爬取网页数据时我们有时可能会遇到如下面的情况，价格数字在网页上能正常显示，但在控制面板查看时却是显示空白，我们通过 requests 等库爬取该页面后得到的数据也是无法显示出来。

解决思路

1.下载字体文件

我们可以去控制面板找到该网页的字体文件，双击即可下载

这里提供字体文件下载地址：字体文件

如果想要查看该字体文件，需借助字体查看软件 FontCreator 进行查看（这步可以跳过，这里只是进行查看操作）

字体查看软件下载地址：FontCreator

打开后查看：

2.分析

每个字体有它对应的id，那么我们就可以通过该id，去匹配对应的字体，最后进行输出即可。

在python通过 requests 等库获取到该无法显示的空白字符串后，通过 for 循环遍历该空白字符串，用 ord() 函数即可输出每个空白的字符对应的id，最后根据映射规则进行替换输出。

3.代码实现

版本1

速度较慢，在我本机上实测30秒完成识别

只需在 jiexi_fontFile 函数中输入对应的字体的路径即可

import time
import ddddocr
import io
import matplotlib.pyplot as plt
from fontTools.ttLib import TTFont
from fontTools.pens.freetypePen import FreeTypePen

def jiexi_fontFile(filepath):
    start_time=time.time()
    font = TTFont(filepath)  # 解析字体文件
    fontdata=font.getGlyphSet()
    dic = {}  # 保存识别结果的字典
    ocr = ddddocr.DdddOcr(beta=True,show_ad=False)    # ocr识别字体
    for n, v in font.getBestCmap().items():
        glyph = fontdata[v]
        pen = FreeTypePen(None)  # 实例化Pen子类
        glyph.draw(pen)  # 画出字形轮廓
        b = pen.array()
        iodata = io.BytesIO()
        plt.imshow(b)
        plt.axis('off')  # 禁用坐标轴
        plt.savefig(iodata, format='PNG')
        plt.close()
        result = ocr.classification(iodata.getvalue())    # 识别结果
        dic[n] = result
        print(n,'——>',result)
    print('耗时：',time.time()-start_time)
    print('长度：',len(dic))
    return dic


print(jiexi_fontFile('96fc7b50b772f52.woff2'))

输出结果：

版本2

速度更快，在我本机上实测4秒完成识别

只需在 identify_word 函数中输入对应的字体的路径即可

import time
import ddddocr
from io import BytesIO
from PIL import Image, ImageDraw, ImageFont
from fontTools.ttLib import TTFont

def font_to_img(_code, font_path):
    """
    将每个字体画成图片
    :param _code:字体的数字码点
    :param font_path:字体文件路径
    :return: 每个字体图片对象
    """
    img_size = 1024
    img = Image.new('1', (img_size, img_size), 255)
    draw = ImageDraw.Draw(img)
    font = ImageFont.truetype(font_path, int(img_size * 0.7))
    txt = chr(_code)
    bbox = draw.textbbox((0, 0), txt, font=font)
    x = bbox[2] - bbox[0]
    y = bbox[3] - bbox[1]
    draw.text(((img_size - x) // 2, (img_size - y) // 7), txt, font=font, fill=0)
    return img


def identify_word(font_path):
    """
    :param font_path:字体文件地址
    :return:字体印射规则
    """
    font = TTFont(font_path)
    ocr = ddddocr.DdddOcr(beta=True)
    font_mapping = {}
    for cmap_code, glyph_name in font.getBestCmap().items():
        bytes_io = BytesIO()
        pil = font_to_img(cmap_code, font_path)
        pil.save(bytes_io, format="PNG")
        word = ocr.classification(bytes_io.getvalue())  # 识别字体
        print(f'数字Unicode:{[cmap_code]}-{[glyph_name]}-识别结果：{word}')
        # 构建字体印射规则
        font_mapping[cmap_code] = word

    """去除字体印射识别为空的键值对"""
    del_key = []  # 收集要删除的键
    for key, value in font_mapping.items():
        if not value:
            del_key.append(key)
    for i in del_key:
        font_mapping.pop(i)
    return font_mapping  # 返回字体印射规则

s_t = time.time()
mapping = identify_word('96fc7b50b772f52.woff2')
print('耗时：', time.time() - s_t)
print('长度：', len(mapping))
print('字体印射规则：', mapping)

输出结果：