SVG映射反爬的本质是用图形片段替代真实字符,通过引用或中的等图形定义实现视觉呈现,HTML源码中无明文文本,需基于路径哈希或字体映射还原。

SVG映射反爬的本质是什么?
SVG文字反爬不是加密,而是把真实字符替换成<use></use>引用的<symbol></symbol>或<defs></defs>里的图形片段。网页显示的是拼接后的视觉效果,但HTML源码里没有对应文字——比如“¥199”可能被拆成三个<use xlink:href="#s23"></use>,而#s23在<symbol id="s23"></symbol>里实际是一段<path d="M..."></path>。
关键判断:如果页面中文字位置固定、字体一致、字符集有限(如价格、评分、城市名),且每个字符对应唯一<symbol></symbol>或<glyph></glyph>,那就可以建立映射表还原;如果每次加载都动态生成id或打乱<symbol></symbol>顺序,则需额外处理URL或JS上下文。
如何提取SVG符号与文字的对应关系?
核心是定位两处内容:一是页面中<use></use>标签的xlink:href值(或现代写法的href),二是<defs></defs>或<symbol></symbol>里对应的图形定义。常见错误是只抓<use></use>却没关联到<symbol></symbol>的id,导致映射断裂。
- 先用
lxml或BeautifulSoup解析HTML,提取所有<use></use>节点及其href属性(注意兼容xlink:href和href两种写法) - 再查找
<defs></defs>或全局<symbol></symbol>,用id匹配href中的锚点(如href="#price_5"→ 找<symbol id="price_5"></symbol>) - 对每个匹配到的
<symbol></symbol>,提取其内部<text></text>子节点(少数情况存在);更多时候需比对<path d></path>的哈希值——因为相同字符的路径数据通常不变
# 示例:用SHA256对path d做指纹
import hashlib
d_attr = symbol.find('.//path').get('d', '')
fingerprint = hashlib.sha256(d_attr.encode()).hexdigest()[:16]
还原文本时如何处理动态ID和字体偏移?
很多站点会把<symbol id></symbol>设为随机字符串(如id="g_8a3f"),或给<use></use>加x/y偏移模拟排版。此时不能硬靠ID字符串映射,得转向图形特征。
将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。
立即学习“Python免费学习笔记(深入)”;
- 优先检查是否有内联
<style></style>或外部CSS定义了@font-face指向SVG字体(src: url(...#fontname)),若有,直接下载SVG字体文件,解析其中的<glyph unicode="¥"></glyph>字段 - 若无字体文件,就采集样本页:人工记录几组已知文字(如“¥”, “1”, “9”, “9”)对应的
<use></use>节点和它们引用的<symbol></symbol>路径指纹,构建初始映射表 - 遇到
<use x="10" y="2"></use>等偏移,说明字符间有固定间距,可结合font-size和text-anchor推算逻辑顺序,但多数价格类场景字符等宽,按<use></use>出现顺序拼接即可
用Python实现还原函数要注意哪些坑?
最常踩的坑是忽略命名空间和XML解析模式差异。用lxml时若不声明namespaces={'xlink': '<a href="https://www.php.cn/link/76607c8d892045f92be8094007e338f5">https://www.php.cn/link/76607c8d892045f92be8094007e338f5</a>'},xlink:href根本取不到;用BeautifulSoup默认不解析XML命名空间,find('use', {'xlink:href': True})会失效。
- 解析前统一用
lxml.etree.fromstring(html_bytes, parser=lxml.etree.XMLParser(recover=True)),避免因HTML混杂XML语法报错 - 不要依赖
<symbol></symbol>的文本内容——它常常为空,真正信息在<path></path>或<glyph></glyph>里 - 映射表建议存为字典:
{'sha256_xxx': '¥', 'sha256_yyy': '1'},而不是按ID字符串硬编码,否则换页面就失效 - 如果站点每小时更新一次SVG定义,就得定期重采样本并更新指纹库,不能写死在代码里
还原逻辑本身不复杂,难在稳定获取可复用的图形指纹——路径数据里微小空格、浮点精度、坐标变换都会让哈希值不同。实际项目中,往往要对d字符串做归一化:去除多余空格、四舍五入到小数点后1位、剔除无关transform属性。

















