防止被采集，有什么方案可以对网页显示的文字做一下加密？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 3501 天前的主题，其中的信息可能已经有所发展或是发生改变。

当然这无法根本杜绝被采集，只是稍微增加一下采集难度而已
不考虑搜索引擎收录
最简单的例如后台输出 unicode 代码，前台 js 再动态转换为实际的文字
各位有什么想法？

采集

unicode

加密

21 条回复 • 2015-04-26 21:46:16 +08:00

Daniel65536

2015-04-24 13:21:20 +08:00

比较彻底的一个组合是：
1. 利用ttx和脚本生成一个打乱了字符glyph与unicode对应关系的字体。
比如把 U+6211我和 U+4F60你替换，这样当输入“你”时，显示出来的字符是“我”，当输入“我”时，显示出来的字符是你。
内容是 “你我” 的文字用这种字体显示出来是“我你”
2. 用之前的随机替换码表加密你要显示的东西。
3. 用web font加载这个字体。

这样显示出来的内容和复制到的内容完全不相干，可以达到最佳的效果。采集者如果试图还原对应关系，只能手动录入这个对应关系。

这个做法比直接转图片优秀的地方在于这玩意对html/css/js透明，可以轻松用css完成响应式设计。
缺点么，每次要先下载个10多mb的字体算不算？

//有一种传统的pdf加密技术就是这么做的。

NewYear

2015-04-24 14:14:01 +08:00

百度知道的方法是，随机生成图片代替部分文字

andybest

2015-04-24 14:32:34 +08:00

@Daniel65536 谢谢，有没类似现成的程序？没有这么彻底的也可以，用于参考

zealic

2015-04-24 14:38:05 +08:00

WebGL

clino

2015-04-24 14:58:13 +08:00

"最简单的例如后台输出 unicode 代码，前台 js 再动态转换为实际的文字"
这个是木有问题的,做出来也不难,但是这种对搜索引擎不友好哈

EchoChan

2015-04-24 16:23:41 +08:00

@clino 那个360doc 怎么做到的？

dong3580

2015-04-24 16:34:41 +08:00

@clino
一点用都没有，有现成的框架可以直接得到想要的编码～～～并且这种方案对于搜索引擎也不好。

@andybest
加个302重定向，
<meta http-equiv="refresh" content="3;url=http://xxx">
可以稍微对付点小爬虫，要是真想爬你,那些小把戏没用的。不要做无谓的抵抗哈。

clino

2015-04-24 16:55:01 +08:00

@EchoChan 360doc做到什么?

@dong3580 我其实木有做过这种采集,但照理想还是有点用吧,应该用能跑javascript的采集方式才能拿到内容,木有内置浏览器的采集工具估计就会比较麻烦
当然要js部分写得很动态或者混淆过,如果太固定的话应该也很容易搞定哈

做这种采集一般都用什么工具阿?

EchoChan

2015-04-24 18:09:21 +08:00

@clino 360doc 里面的内容也不能复制，但是搜索引擎可以搜索到。

clino

2015-04-24 18:12:16 +08:00

@EchoChan 不能复制但是你用查看源代码是可以看到的,这种没办法防采集吧?
估计禁掉javascript就能复制了

FrankFang128

2015-04-24 18:23:42 +08:00 via Android

用 CSS content

processzzp

2015-04-24 18:46:02 +08:00 via Android

@EchoChan 我一般都是右键在Google中搜索选中的内容，然后直接复制搜索框。个人认为这么做意义不大，一下就能破解。

ooh

2015-04-24 18:54:36 +08:00

1.数据用ajax加载,数据请求带上验证
2.直接发图片

tabris17

2015-04-24 18:59:30 +08:00

用canvas输出文字

auzeonfung

2015-04-24 20:37:37 +08:00

FLASH渲染文字

Septembers

2015-04-24 20:41:58 +08:00

@Daniel65536 可以用HTML5 Application Cache解决字体每次加载的问题

Daniel65536

2015-04-24 21:32:08 +08:00

@andybest 我知道有基于这个实现的pdf加密软件，但是没有流传出来，只有加密后的pdf流传出来了。许久前网上就有关于如何破解这种加密的讨论，基本费力不讨好。

@Septembers 这种技术其实一般用在打包好的电子书、pdf、app里，如果放在网页上，除非网页特别有价值，否则还是比较反人类。因为面前有一半的浏览器在加载web font的时候block住加载进程。

haiyang416

2015-04-24 21:56:46 +08:00 via Android

见过用 table 分栏的，一段话分可能分别在不同 table 里，然后用 CSS 对齐，复制采集的文字都是乱序的，简直丧心病狂。

xenme

2015-04-24 23:56:42 +08:00

直接截图，然后OCR，比这些恢复步骤简单多了。
至少现在印刷体文字的识别率非常高了。

clino

2015-04-26 21:00:48 +08:00 via Android

@Daniel65536 把webfont 显示以后做ocr得对应关系以后再转我觉得比楼上直接 ocr更好

Daniel65536

2015-04-26 21:46:16 +08:00 via iPhone

@clino
ocr不一定很精确：
ocr效果最好的中文字体是宋体方正书宋，这是因为国内书籍出版社一般用方正书版排版。
第二好的是黑体方正某种黑，理由类似。
第三名是启体方正启体简体，因为起点小说网vip章节用的他，各大更新组拼命改进技术也不过93%左右的识别率。
剩下的字体识别率就非常堪忧了。不针对性改进，恐怕难以上50%。

这种方法当然是有办法破解的，用不着ocr，你要是对字体技术有了解的话，应该能想到非常简单的解法，甚至也能想到解放的防御方法。毕竟你面对的这个加密文件的原文就摆在你面前啊。