def get_source_article():
    """获取加密文章内容"""
    url = \'http://www.qiwen007.com/mb-db/pc-sg/zbwz/363609.html\'
    headers = {
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36\',
    }
    resp = requests.get(url=url, headers=headers)

    html = etree.HTML(resp.text)

    p_list = html.xpath(\'//div[@class="article"]/p\')
    for p in p_list:
        temp_article = p.xpath(\'./text()\')
        if len(temp_article) > 0:
            print(\'temp_article\', temp_article)
            result = to_unicode(temp_article[0])
            print(\'result\', result)
            break


def to_unicode(temp_article):
    """将汉字全部转为Unicode编码"""
    bytes_article = temp_article.encode(encoding=\'unicode-escape\')
    str_article_li = str(bytes_article)[2:-1].split(\'\\\')
    uni_article_li = [\'uni\' + uni[1:].upper() for uni in str_article_li if uni != \'\']
    print(uni_article_li)

# 将ttf/woff文件转换为xml文件（ttf/woff文件pycharm打开是乱码，xml可以打开）
from fontTools.ttLib import TTFont
font = TTFont(\'hansansjm.ttf\')
# 此时就将ttf/woff文件转换为了xml文件
font.saveXML(\'hansansjm.xml\')

# 此汉字列表，需要通过百度字体编辑器（在线）打开ttf/woff文件，或者FontCreator，将全部汉字按照顺序写到列表中
hans_list = [\'万\', \'三\', \'上\', \'下\', \'不\', \'与\', \'世\', \'东\', \'两\', \'个\', \'中\', \'为\', \'主\',
             \'丽\', \'么\', \'之\', \'乐\', \'也\', \'了\', \'事\', \'二\', \'五\', \'些\', \'亲\', \'人\', \'什\', \'今\',
             \'他\', \'代\', \'以\', \'们\', \'会\', \'传\', \'位\', \'体\', \'何\', \'作\', \'你\', \'值\', \'做\', \'像\',
             \'儿\', \'元\', \'光\', \'入\', \'全\', \'公\', \'关\', \'内\', \'写\', \'冰\', \'出\', \'分\', \'刘\', \'到\',
             \'前\', \'剧\', \'力\', \'动\', \'十\', \'千\', \'却\', \'原\', \'去\', \'友\', \'发\', \'变\', \'古\', \'只\',
             \'可\', \'吃\', \'合\', \'同\', \'名\', \'后\', \'吗\', \'吴\', \'员\', \'和\', \'四\', \'回\', \'因\', \'国\',
             \'图\', \'圈\', \'在\', \'地\', \'场\', \'型\', \'外\', \'多\', \'大\', \'天\', \'太\', \'夫\', \'头\', \'奇\',
             \'女\', \'她\', \'好\', \'如\', \'妈\', \'妻\', \'娱\', \'婚\', \'子\', \'学\', \'孩\', \'宝\', \'实\', \'家\',
             \'对\', \'将\', \'小\', \'少\', \'就\', \'山\', \'岁\', \'已\', \'巴\', \'帅\', \'年\', \'底\', \'度\', \'开\',
             \'张\', \'当\', \'影\', \'很\', \'得\', \'心\', \'性\', \'怪\', \'情\', \'惊\', \'想\', \'意\', \'感\', \'戏\',
             \'成\', \'我\', \'房\', \'手\', \'打\', \'拍\', \'排\', \'新\', \'方\', \'无\', \'日\', \'时\', \'明\', \'星\',
             \'是\', \'曝\', \'曾\', \'最\', \'月\', \'有\', \'服\', \'本\', \'机\', \'李\', \'来\', \'杨\', \'林\', \'果\',
             \'样\', \'榜\', \'次\', \'死\', \'母\', \'比\', \'民\', \'气\', \'水\', \'没\', \'法\', \'活\', \'海\', \'清\',
             \'游\', \'演\', \'火\', \'点\', \'热\', \'然\', \'照\', \'爱\', \'片\', \'物\', \'特\', \'狗\', \'王\', \'现\',
             \'球\', \'生\', \'用\', \'电\', \'男\', \'界\', \'白\', \'百\', \'的\', \'直\', \'相\', \'看\', \'真\', \'眼\',
             \'着\', \'知\', \'神\', \'种\', \'秘\', \'称\', \'穿\', \'竟\', \'笑\', \'第\', \'粉\', \'红\', \'经\', \'结\',
             \'给\', \'网\', \'美\', \'老\', \'而\', \'能\', \'脸\', \'自\', \'色\', \'艺\', \'花\', \'英\', \'行\', \'衣\',
             \'被\', \'装\', \'西\', \'要\', \'见\', \'视\', \'认\', \'让\', \'说\', \'谁\', \'走\', \'赵\', \'起\', \'超\',
             \'路\', \'身\', \'车\', \'过\', \'还\', \'这\', \'造\', \'道\', \'遭\', \'部\', \'都\', \'里\', \'重\', \'金\',
             \'长\', \'陈\', \'面\', \'颖\', \'颜\', \'食\', \'马\', \'高\', \'鱼\', \'黄\', \'黑\', \'龙\', \'一\',
             ]


def get_coordinate_hans_and__unicode_coordinate_map():
    """
    获取所有汉字和坐标差的映射，和 Unicode和坐标差的映射，
    接下来便可以通过映射找到Unicode所对应的坐标差，
    拿到坐标差之后，就可以再通过coordinate_hans_map，找到具体的汉字
    """
    # 存储该hansansjm.xml文件中所有的字符坐标差
    coordinate_diff_list = []

    # Unicode和坐标差的映射
    _unicode_coordinate_map = {}

    print(\'>>> 开始计算xml文件中所有字符的坐标差\')
    content = parse(\'hansansjm.xml\')
    # 此处有个坑，应当先获取GlyphOrder中的GlyphID对应的name即Unicode，这里的Unicode是和ttf文件中一一对应的
    # 而glyf中的TTGlyph对应的name（Unicode）不是和ttf文件中一一对应的
    # 应该拿到GlyphOrder 下面所有的Unicode编码后，再去 glyf中根据Unicode找对应的坐标
    GlyphID_list = content.getElementsByTagName(\'GlyphID\')
    TTGlyph_list = content.getElementsByTagName(\'TTGlyph\')
    # 由于xml文件中glyf下面的第一个TTGlyph 所对应的Unicode为.notdef ，要剔除掉，因此TTGlyph_list不能包含第一个元素
    # 注意：如果最后一个元素也不是Unicode编码的，应当也要剔除掉

    # 获取GlyphID下面所有的Unicode编码
    GlyphID_uni_list = []
    for GlyphID in GlyphID_list[1:]:
        # 获取Unicode
        _unicode = GlyphID.getAttribute(\'name\')
        GlyphID_uni_list.append(_unicode)
    for uni in GlyphID_uni_list:
        for TTGlyph in TTGlyph_list[1:]:
            if uni == TTGlyph.getAttribute(\'name\'):
                # 获取第一个contour
                # print(TTGlyph.getElementsByTagName(\'contour\')[0])
                first_contour = TTGlyph.getElementsByTagName(\'contour\')[0]

                # 获取第一个contour中的前两个pt元素，进一步获取这两个元素的x，y属性，便于计算坐标差
                first_pt = first_contour.getElementsByTagName(\'pt\')[0]
                first_pt_x = int(first_pt.getAttribute(\'x\'))
                first_pt_y = int(first_pt.getAttribute(\'y\'))
                # print(first_pt_x, first_pt_y)

                second_pt = first_contour.getElementsByTagName(\'pt\')[1]
                second_pt_x = int(second_pt.getAttribute(\'x\'))
                second_pt_y = int(second_pt.getAttribute(\'y\'))
                # print(second_pt_x, second_pt_y)

                # 计算坐标差
                coordinate_diff = (second_pt_x - first_pt_x, second_pt_y - first_pt_y)
                # print(coordinate_diff)
                coordinate_diff_list.append(coordinate_diff)
                # break
                _unicode_coordinate_map[uni] = coordinate_diff

            # print(coordinate_diff_list)

    # 将坐标差和汉字组成字典，完成映射
    coordinate_hans_map = dict(zip(coordinate_diff_list, hans_list))
    print(coordinate_hans_map)
    print(_unicode_coordinate_map)
    return coordinate_hans_map, _unicode_coordinate_map

import requests
from lxml import etree
from fontTools.ttLib import TTFont
from xml.dom.minidom import parse

"""
此案例是破解css反爬 网站：http://www.qiwen007.com
经过查看网站页面源码后发现，tff文字库是 \'/hansansjm.ttf\'，因此判定该网站的文字库不会自动变换

woff/ttf文件样式查看（在线） http://fontstore.baidu.com/static/editor/index.html
也可以使用FontCreator（下载地址） https://www.onlinedown.net/soft/88758.htm
"""

"""
流程及思路：
1. 通过requests请求获取响应数据，得到的就是源码中加密数据（杂乱的文章）
2. 将加密数据的每一个字符转成Unicode编码，得到字符的Unicode列表
3. 通过搜索源码中font-face关键字，找到字体库文件（ttf/woff文件）将当前域名拼接上/hansansjm.ttf，即 http://www.qiwen007.com/hansansjm.ttf，打开后即下载
4. 使用FontCreator或者百度字体编辑器打开ttf文件，会看到里面每个字符
5. 将ttf转为xml文件
6. 同时使用pycharm打开xml文件，找到 glyf 标签下面的 TTGlyph 标签，里面的name 即是xml文件中的Unicode编码，
   里面contour下面的pt的x，y即是每个字符的坐标，计算坐标差（计算坐标差的时候，可以直接取第一个contour的前两组pt即可）
 （但是 TTGlyph name的顺序 有可能和ttf文件里面的字符的Unicode顺序对应不上，此时就要从GlyphOrder里面看是否对应，
  如果对应，就从GlyphOrder中获取每个xml文件中的每个字符的Unicode列表，然后遍历列表，从 glyf 中找到对应的坐标）
7. 手动去组成汉字字符的列表，然后使用映射（dict(zip())）得到汉字和坐标差的映射
8. 在第6步中我们可以获取Unicode和坐标差的映射
9. 然后回到第2步，拿到加密数据的Unicode编码列表后，去Unicode和坐标差的映射中找到对应的坐标差，拿到坐标差后找到对应的汉字
至此，破解过程结束
"""

# 此汉字列表，需要通过百度字体编辑器（在线）打开ttf/woff文件，或者FontCreator，将全部汉字按照顺序写到列表中
hans_list = [\'万\', \'三\', \'上\', \'下\', \'不\', \'与\', \'世\', \'东\', \'两\', \'个\', \'中\', \'为\', \'主\',
             \'丽\', \'么\', \'之\', \'乐\', \'也\', \'了\', \'事\', \'二\', \'五\', \'些\', \'亲\', \'人\', \'什\', \'今\',
             \'他\', \'代\', \'以\', \'们\', \'会\', \'传\', \'位\', \'体\', \'何\', \'作\', \'你\', \'值\', \'做\', \'像\',
             \'儿\', \'元\', \'光\', \'入\', \'全\', \'公\', \'关\', \'内\', \'写\', \'冰\', \'出\', \'分\', \'刘\', \'到\',
             \'前\', \'剧\', \'力\', \'动\', \'十\', \'千\', \'却\', \'原\', \'去\', \'友\', \'发\', \'变\', \'古\', \'只\',
             \'可\', \'吃\', \'合\', \'同\', \'名\', \'后\', \'吗\', \'吴\', \'员\', \'和\', \'四\', \'回\', \'因\', \'国\',
             \'图\', \'圈\', \'在\', \'地\', \'场\', \'型\', \'外\', \'多\', \'大\', \'天\', \'太\', \'夫\', \'头\', \'奇\',
             \'女\', \'她\', \'好\', \'如\', \'妈\', \'妻\', \'娱\', \'婚\', \'子\', \'学\', \'孩\', \'宝\', \'实\', \'家\',
             \'对\', \'将\', \'小\', \'少\', \'就\', \'山\', \'岁\', \'已\', \'巴\', \'帅\', \'年\', \'底\', \'度\', \'开\',
             \'张\', \'当\', \'影\', \'很\', \'得\', \'心\', \'性\', \'怪\', \'情\', \'惊\', \'想\', \'意\', \'感\', \'戏\',
             \'成\', \'我\', \'房\', \'手\', \'打\', \'拍\', \'排\', \'新\', \'方\', \'无\', \'日\', \'时\', \'明\', \'星\',
             \'是\', \'曝\', \'曾\', \'最\', \'月\', \'有\', \'服\', \'本\', \'机\', \'李\', \'来\', \'杨\', \'林\', \'果\',
             \'样\', \'榜\', \'次\', \'死\', \'母\', \'比\', \'民\', \'气\', \'水\', \'没\', \'法\', \'活\', \'海\', \'清\',
             \'游\', \'演\', \'火\', \'点\', \'热\', \'然\', \'照\', \'爱\', \'片\', \'物\', \'特\', \'狗\', \'王\', \'现\',
             \'球\', \'生\', \'用\', \'电\', \'男\', \'界\', \'白\', \'百\', \'的\', \'直\', \'相\', \'看\', \'真\', \'眼\',
             \'着\', \'知\', \'神\', \'种\', \'秘\', \'称\', \'穿\', \'竟\', \'笑\', \'第\', \'粉\', \'红\', \'经\', \'结\',
             \'给\', \'网\', \'美\', \'老\', \'而\', \'能\', \'脸\', \'自\', \'色\', \'艺\', \'花\', \'英\', \'行\', \'衣\',
             \'被\', \'装\', \'西\', \'要\', \'见\', \'视\', \'认\', \'让\', \'说\', \'谁\', \'走\', \'赵\', \'起\', \'超\',
             \'路\', \'身\', \'车\', \'过\', \'还\', \'这\', \'造\', \'道\', \'遭\', \'部\', \'都\', \'里\', \'重\', \'金\',
             \'长\', \'陈\', \'面\', \'颖\', \'颜\', \'食\', \'马\', \'高\', \'鱼\', \'黄\', \'黑\', \'龙\', \'一\',
             ]


def get_result_article():
    """获取加密文章内容"""
    url = \'http://www.qiwen007.com/mb-db/pc-sg/zbwz/363609.html\'
    headers = {
        \'User-Agent\': \'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36\',
    }
    resp = requests.get(url=url, headers=headers)

    html = etree.HTML(resp.text)

    p_list = html.xpath(\'//div[@class="article"]/p\')
    for p in p_list:
        temp_article = p.xpath(\'./text()\')
        if len(temp_article) > 0:
            print(\'temp_article\', temp_article)
            result = to_unicode(temp_article[0])
            print(\'result\', result)
            break


def to_unicode(temp_article):
    """将汉字全部转为Unicode编码"""
    bytes_article = temp_article.encode(encoding=\'unicode-escape\')
    str_article_li = str(bytes_article)[2:-1].split(\'\\\')
    uni_article_li = [\'uni\' + uni[1:].upper() for uni in str_article_li if uni != \'\']
    # print(uni_article_li)
    return parse_uni(uni_article_li)


def parse_uni(uni_article_li):
    # 获取坐标差汉字映射，和 Unicode 坐标差的映射
    get_map = get_coordinate_hans_and__unicode_coordinate_map
    coordinate_hans_map, _unicode_coordinate_map = get_map()
    result_article_content = \'\'
    for uni in uni_article_li:
        if uni in list(_unicode_coordinate_map.keys()):
            coordinate = _unicode_coordinate_map.get(uni)
            hans = coordinate_hans_map.get(coordinate)
            # print(\'1\', hans)
            result_article_content += hans
        else:
            hans = chr(int(uni[3:], 16))
            # print(\'2\', hans)
            result_article_content += hans

    return result_article_content


# 将ttf/woff文件转换为xml文件（ttf/woff文件pycharm打开是乱码，xml可以打开）
def ttf_to_xml():
    font = TTFont(\'hansansjm.ttf\')
    # 此时就将ttf/woff文件转换为了xml文件
    font.saveXML(\'hansansjm.xml\')


def get_coordinate_hans_and__unicode_coordinate_map():
    """
    获取所有汉字和坐标差的映射，和 Unicode和坐标差的映射，
    接下来便可以通过映射找到Unicode所对应的坐标差，
    拿到坐标差之后，就可以再通过coordinate_hans_map，找到具体的汉字
    """
    # 存储该hansansjm.xml文件中所有的字符坐标差
    coordinate_diff_list = []

    # Unicode和坐标差的映射
    _unicode_coordinate_map = {}

    print(\'>>> 开始计算xml文件中所有字符的坐标差\')
    content = parse(\'hansansjm.xml\')
    # 此处有个坑，应当先获取GlyphOrder中的GlyphID对应的name即Unicode，这里的Unicode是和ttf文件中一一对应的
    # 而glyf中的TTGlyph对应的name（Unicode）不是和ttf文件中一一对应的
    # 应该拿到GlyphOrder 下面所有的Unicode编码后，再去 glyf中根据Unicode找对应的坐标
    GlyphID_list = content.getElementsByTagName(\'GlyphID\')
    TTGlyph_list = content.getElementsByTagName(\'TTGlyph\')
    # 由于xml文件中glyf下面的第一个TTGlyph 所对应的Unicode为.notdef ，要剔除掉，因此TTGlyph_list不能包含第一个元素
    # 注意：如果最后一个元素也不是Unicode编码的，应当也要剔除掉

    # 获取GlyphID下面所有的Unicode编码
    GlyphID_uni_list = []
    for GlyphID in GlyphID_list[1:]:
        # 获取Unicode
        _unicode = GlyphID.getAttribute(\'name\')
        GlyphID_uni_list.append(_unicode)
    for uni in GlyphID_uni_list:
        for TTGlyph in TTGlyph_list[1:]:
            if uni == TTGlyph.getAttribute(\'name\'):
                # 获取第一个contour
                # print(TTGlyph.getElementsByTagName(\'contour\')[0])
                first_contour = TTGlyph.getElementsByTagName(\'contour\')[0]

                # 获取第一个contour中的前两个pt元素，进一步获取这两个元素的x，y属性，便于计算坐标差
                first_pt = first_contour.getElementsByTagName(\'pt\')[0]
                first_pt_x = int(first_pt.getAttribute(\'x\'))
                first_pt_y = int(first_pt.getAttribute(\'y\'))
                # print(first_pt_x, first_pt_y)

                second_pt = first_contour.getElementsByTagName(\'pt\')[1]
                second_pt_x = int(second_pt.getAttribute(\'x\'))
                second_pt_y = int(second_pt.getAttribute(\'y\'))
                # print(second_pt_x, second_pt_y)

                # 计算坐标差
                coordinate_diff = (second_pt_x - first_pt_x, second_pt_y - first_pt_y)
                # print(coordinate_diff)
                coordinate_diff_list.append(coordinate_diff)
                # break
                _unicode_coordinate_map[uni] = coordinate_diff

            # print(coordinate_diff_list)

    # 将坐标差和汉字组成字典，完成映射
    coordinate_hans_map = dict(zip(coordinate_diff_list, hans_list))
    print(coordinate_hans_map)
    print(_unicode_coordinate_map)
    return coordinate_hans_map, _unicode_coordinate_map


# ttf_to_xml()
get_result_article()