发现一种有趣的防爬虫手段
本文所述仅局限于技术层面的探讨，请勿将本文思路用于违法犯罪活动，否则后果自负！
背景
前段时间，有个朋友在群里提到一件怪事：在某网站上，拷贝正常的文本再粘贴到其它地方时，全都是乱码，只能使用网站提供的复制功能。
1 | 看到的文本：笔名 |
这一下子勾起了我极大的兴趣，于是我打开了这个网站，开始研究它里面的门道。
探索过程
监听拷贝事件
听到这个趣事时，我的直觉告诉我，它可能是监听了用户的复制事件，把本来正常的文本转成了乱码。但我很快就被打脸了：
- 通过浏览器控制台，查看网页源码时，看到的确确实实是乱码
- 查看 JS 代码，也没有找到任何监听复制事件的逻辑
乱码转换方法
然后，我的探索方向变成：网页下载的是乱码，但通过 JS 内置的转换规则，可以把乱码转成正常文本。但很快，这个思路也走不通了：
- 通过在 JS 脚本中打断点，一步步观察可疑变量，并没有找到乱码转换的内置逻辑
- 官方提供的复制功能，实际是通过网络请求获取的正常文本
字体问题
就在一筹莫展的时候，我的一个无意举动，打开了新世界的大门。
在反复浏览它的网页源码时，我发现明明很多字的样式都差不多，但是却给很多段落使用了不同的 font-family，而且这些 font-family 是自定义的，而非标准字体。
于是我随手把某个段落设定的 font-family 去掉，发现原本正常的文本乱码了！也就是说：
- 网站下载的确实是乱码，但乱码和正常文本的转换关系是在服务端设定好的
- 通过设定一系列字体，来控制前端乱码转换的效果
这防爬虫手段，真的是不可不谓之妙啊妙啊！
如何破解
以下内容仅作为技术探讨，请勿用于违法犯罪活动，否则后果自负！
OCR 解千愁
其实，最最简单的方法，是不要去理会它的转换关系：直接截图，丢到 OCR 软件中识别，就可以得到正常的文本。但是，OCR 的识别并不总是可靠的。尤其需要拷贝长文本的时候，需要人为去逐字校验一遍，太费眼睛了。
那么，有没有更好一点的办法呢？
找文本编码转换的规律
对于防爬手段不够高明的网站来说，它的乱码和文本之间，可能存在非常简单转换关系，比如仅是 unicode 编码偏移。
1 | 看到的文本：笔名 |
以上面的文本为例，笔 和 名 的 Unicode 为 31508 和 21517，而 笞 和 吗 的则为 31518 和 21527，两者的差值刚好是 10。
所以，在获取到 HTML 文本之后，可以对文本做一个简单的转换，从而得到正确的文本。
1 | // 笞 => 笔 |
找字体轮廓的规律
有的时候，网站的文本转换关系可能并不像上述例子中直接，或者它就是没有相对固定的规律。这个时候，就要从字体的轮廓中找找规律了。
一种可行的思路是，通过 opentype.js 或者 FontDrop! 在线工具，分析和对比字体的 Path Data 数据，得到文本的映射关系。
有的时候，网站开发者会对字形做微调，导致轮廓数据无法完美匹配。这种情况下，还可以尝试用一些简单的机器学习算法（如 KNN）找出最相近的文本。
PS：如果要涉及到非常复杂的机器学习算法（甚至是神经网络模型），那还是建议用成熟的 OCR 软件吧！