关于超星最近题目乱码繁体字的解决方案

言小溪enncy · 发表于 2022-4-27 00:46:45

本帖最后由 enncy 于 2022-5-12 18:20 编辑

本帖最后由 enncy 于 2022-5-7 17:22 编辑

这次确实有点东西的，通过自定义字体文件 @font-face，然后加 font-cxsecret css类到每个文本元素，吧原本文档的乱码字体显示成正常字体。用户看到的就是正常字体但是源码里面是乱码。

这里给两个解决思路

网上各种加密解密，这里本人技术问题看不懂所以不多说。
通过 dom-to-image 获取元素的base64图片，通过 tesseract 文字识别图片文本。

开放 API

这里开放一个API给大家用，直接调用即可破解繁体字乱码，具体API详情请看文档： https://enncy.github.io/online-course-script/api#ocr

以下是demo例子

<html>
    <head>
        <script src="https://unpkg.com/tesseract.js@2.1.0/dist/tesseract.min.js"></script>
        <script src="https://cdn.jsdelivr.net/npm/dom-to-image@2.6.0/src/dom-to-image.min.js"></script>
    </head>
    <body>
        <!-- 加点内边距，不然只能显示半边的字体 -->
        <div style="padding: 4px;">
            hello world
        </div>
    </body>
</html>

const { createWorker } = Tesseract;

const worker = createWorker();

// 这里是加载网络的ocr数据，可能需要梯子才能访问，可以看我开放API中的具体说明
await worker.load();
// 加载语言
await worker.loadLanguage('eng');
await worker.initialize('eng');
// 元素
const el = document.querySelector('div')
// 图片 base64
const pngBase64 = await domtoimage.toPng(el);
const { data: { text } } = await worker.recognize(pngBase64);
console.log(text);
// 结束
await worker.terminate();

输出结果

虽然中文识别有些困难。。。

// 加载语言
await worker.loadLanguage('chi_sim');
await worker.initialize('chi_sim');

但是在给文本加了一点间隔后 letter-spacing 识别效果明显变好，还可以增加字体大小

输出

言小溪enncy · 发表于 2022-4-27 01:04:10

有大佬还有其他方法吗

李恒道 · 发表于 2022-4-27 01:23:40

也有一点束手无计。。。
看字体大小像是根据题目开动态生成的内联style
实在太小了。。。

言小溪enncy · 发表于 2022-4-27 09:26:25

李恒道发表于 2022-4-27 01:23
也有一点束手无计。。。
看字体大小像是根据题目开动态生成的内联style
实在太小了。。。 ...

有办法了。 https://github.com/tsayen/dom-to-image 加 tesseract ocr

王一之 · 发表于 2022-4-27 10:09:53

enncy 发表于 2022-4-27 09:26
有办法了。 https://github.com/tsayen/dom-to-image 加 tesseract ocr

Tesseract.js | Pure Javascript OCR for 100 Languages! (projectnaptha.com)

客户端ocr，然后再去查题

言小溪enncy · 发表于 2022-4-27 10:11:25

王一之发表于 2022-4-27 10:09
ocr成本太高了

有浏览器端的，这个跑完也就几秒而已 🤣

王一之 · 发表于 2022-4-27 10:11:43

enncy 发表于 2022-4-27 10:11
有浏览器端的，这个跑完也就几秒而已 🤣

嗯找到了

https://tesseract.projectnaptha.com/

王一之 · 发表于 2022-4-27 10:12:16

enncy 发表于 2022-4-27 10:11
有浏览器端的，这个跑完也就几秒而已 🤣

哥哥住论坛么，才发完想编辑就回复了

言小溪enncy · 发表于 2022-4-27 10:13:20

王一之发表于 2022-4-27 10:12
哥哥住论坛么，才发完想编辑就回复了

没, 想打开看看就看到回复了 😂

王一之 · 发表于 2022-4-27 10:15:45

这个ocr效果好像不是很好，查题命中率大大降低

关于超星最近题目乱码繁体字的解决方案

开放 API

以下是demo例子

发表回复

荣誉开发者

生态建设者

喜迎中秋

管理员

油中2周年

油中3周年

挑战者 lv2