字体加密反爬的本质是字体映射混淆，即网页用自定义字体将乱码字符（如 ሴ）通过 .woff/.ttf 的 cmap 表映射为真实数字，HTML 中实际存储的是 Unicode 码点而非明文。
字体加密反爬的本质是什么
网页用自定义字体渲染数字或文字，实际 HTML 里是乱码字符（如 ሴ），但浏览器通过加载的 .woff 或 .ttf 文件把它们映射成真实文本。Python 爬虫直接解析 HTML 拿到的是 Unicode 码点，不是原意——这根本不是“加密”，而是“字体映射混淆”。
关键判断：只要页面没用 canvas/svg/图片绘字，且字体文件可下载，就一定能还原。难点不在解密，而在准确提取字体中的 cmap 表映射关系。
用 FontTools 提取 cmap 映射的最小可行步骤
FontTools 是最轻量、最可控的方案，比 OCR 或图像识别稳定得多，也比硬写 TTF 解析器靠谱。
- 确保已安装：
pip install fonttools - 下载字体文件（注意：URL 可能带时间戳或 token，需复现请求头，尤其是
Referer和User-Agent） - 用
TTFont加载后，优先查getBestCmap()，它自动选最常用编码表（通常是platformID=3, platEncID=1，即 Windows Unicode） - 遍历返回的 dict，键是 Unicode 码点（
int），值是字形名（str）；部分字体用glyf表偏移+命名规则反推数字，但多数情况字形名含数字（如uniE001→ 实际对应数字1）
from fontTools.ttLib import TTFont
<p>font = TTFont("example.woff")
cmap = font.getBestCmap() # 返回 {69633: 'uniE001', 69634: 'uniE002', ...}
reverse_map = {v: k for k, v in cmap.items()}</p><h1>若字形名有规律，比如 uniE001 ~ uniE009 对应 1~9，则：</h1><p>num_map = {name: int(name[-1]) for name in reverse_map if name.startswith('uniE0')}</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill8910" title="361SCAN security check your skill python scripts"><img
src="https://img.php.cn/upload/skill/000/000/081/179231049778675.jpg" alt="361SCAN security check your skill python scripts" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill8910" title="361SCAN security check your skill python scripts">361SCAN security check your skill python scripts</a>
<p>扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。</p>
</div>
<a href="/xiazai/skill8910" title="361SCAN security check your skill python scripts" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p>常见翻车点：cmap 为空、映射不全、动态字体更新
-
cmap 为空？检查字体是否损坏，或是否用了非标准编码（尝试 font['cmap'].tables 手动遍历所有子表，找 platformID==3 and platEncID in (1, 10)）
- 映射不全？有些字体把数字映射到私有区（
U+E000–U+F8FF），但 HTML 里写的却是另一套码点（比如服务端做了二次转换），此时要对比网页源码里的 ... 值和字体中实际存在的码点
- 动态字体更新？每次访问返回不同字体文件（hash 变、内容微调），不能本地缓存一个字体一劳永逸。必须每次请求时下载对应字体，并做哈希校验或版本提取（比如从字体
name 表里读 Version 字段）
如何把 HTML 中的乱码字符转成真实数字
cmap 为空？检查字体是否损坏，或是否用了非标准编码（尝试 font['cmap'].tables 手动遍历所有子表，找 platformID==3 and platEncID in (1, 10)）U+E000–U+F8FF），但 HTML 里写的却是另一套码点（比如服务端做了二次转换），此时要对比网页源码里的 ... 值和字体中实际存在的码点name 表里读 Version 字段）核心是：HTML 实体 → Unicode 码点 → 字形名 → 真实字符。中间任何一环断掉都会失败。
- 解析 HTML 实体要用
html.unescape()，别用正则硬拆...，否则会漏掉十进制写法（Ӓ） - 得到字符后，用
ord(char)转码点，再查cmap得字形名 - 如果字形名无数字规律（如叫
glyph00012），就得结合glyf表坐标偏移或提前准备的映射样本（比如爬几次固定页面，人工标注几组对应关系，训练简单匹配逻辑）
import html
<p>text = "¥"
clean = html.unescape(text) # '¥'
for c in clean[1:]: # 跳过 ¥
codepoint = ord(c)
glyph_name = cmap.get(codepoint)
if glyph_name and glyph_name.startswith('uniE'):
digit = int(glyph_name[-1])
print(digit, end='') # 输出 132</p>字体映射本身不难，难的是每次遇到新站点都要重新确认 cmap 表结构、字形命名习惯、以及服务端是否在字体外加了额外混淆层（比如先 base64 再嵌入 CSS）。别迷信“通用映射表”，现场分析才是常态。
