Борьба с обратным инжинирингом OCR

Насколько я понимаю, у вас есть коллекция некоего защищенного авторским правом текста, который должен быть легко читаем человеком, но вы не хотите, чтобы он просочился с вашего сервера в электронном виде. Я не думаю, что это хорошая идея запутывать текст, усложняя распознавание текста, поскольку это сделает его нечитаемым для людей, особенно если тексты очень длинные. По сути, то, что легко читается человеком, может быть идеально обработано с помощью оптического распознавания символов. То, что сложно для оптического распознавания символов, трудно и для людей. В худшем случае злоумышленник может нанять индийскую компанию для ручного перепечатывания текста, на самом деле это не так дорого.

Я бы предложил вам поискать другие аспекты, чтобы сделать хорошую защиту. Как выглядит ваш вариант использования? Почему пользователи могут получать ваши тексты в виде изображений на своих ПК? Они загружают его только в виде файлов PDF или изображений? В этом случае было бы намного проще бороться с возможностью СКАЧАТЬ ваши файлы, а не делать их нечитаемыми.

Например, вы можете подумать о том, чтобы не предоставлять доступ ко всему файлу сразу, а показывать его страницу за страницей с участием человека, необходимым для перехода на следующую страницу. Вы можете даже зашифровать свой веб-интерфейс, чтобы сделать невозможным загрузку всего с помощью обычных утилит загрузки сайта. Каждая страница должна отображаться по одному и тому же URL-адресу, но фактическая навигация должна быть связана с сервером с помощью AJAX или даже какого-либо собственного интерфейса.

Другой способ - сделать много ложных ссылок на каждой странице невидимыми для людей, но они будут вводить в заблуждение утилиты загрузки, заставляя их загружать тонны неправильного контента или загружать его в неправильном порядке, делая его непригодным для использования.

И если вы успешно боретесь с автоматической загрузкой, вам даже не нужно будет предоставлять свой контент в виде изображения, это может быть обычный текст, а всего лишь небольшой его фрагмент. Это все равно будет непригодно.

Надеюсь, это даст вам некоторое представление о том, куда идти.

Как я и другие говорили, если сделать большой объем текста настолько неясным, что OCR не сможет его прочитать, это сделает его непрактичным для людей.

Есть ли конкретная угроза, которую вы пытаетесь победить? Простые поисковые роботы часто не выполняют javascript, поэтому тупой способ усложнить очистку текста — загрузить его с помощью AJAX-запроса и вставить в DOM.

Или, если вы хотите стать более интенсивным, вы можете отображать текст в элементе управления Flash или Silverlight — все еще не защищенном от OCR, но это сделало бы нетривиальным автоматический захват больших объемов текста, особенно если у вас есть Flash-полоса прокрутки и/или нумерация страниц. (Я должен отметить, что элементы управления Flash для чего-то простого, например текста, звучат раздражающе, не будут доступны для поиска или добавления в закладки и, очевидно, не будут работать на большинстве мобильных устройств.)

Я не думаю, что вы можете сделать это. Для CAPTCHA да, и есть масса исследований, но вы также знаете из личного опыта, как раздражает их чтение. Для более длинного текста это невозможно. Однако я бы серьезно поставил под сомнение вариант использования или бизнес-модель. У вас есть контент, который по какой-то причине нуждается в защите от OCR. Это означает, что кто-то захочет потратить ресурсы на распознавание вашего контента. Зачем тебе драться с этими людьми? Сделайте их клиентами и предложите контент в виде простого текста за определенную плату. Если эта плата меньше, чем их стоимость OCR, у вас есть беспроигрышный вариант. То, что вы пытаетесь реализовать, звучит как проигрыш.

Я видел некоторые страницы, которые запутывали текст, используя невидимые буквы и другие «шумы» в тексте. Таким образом, вы по-прежнему можете отображать его как текст, но его будет намного сложнее скопировать.

Другая идея может заключаться в том, чтобы каким-то образом поставить водяной знак на текст, чтобы узнать, откуда взялась «украденная» копия. Если это полезно, зависит от того, от чего именно вы хотите защититься. Как уже упоминалось, если он читаем, кто-то может скопировать его вручную.