破解百词斩单词数据之旅

作为一位英语爱好者，百词斩是我每天都会用的一款APP，这款应用可以自测词汇量，并巩固你的单词量，确实是一款用心的产品。作为一名雅思7分选手，个人觉得里面的发音和例句，对于口语还是有很大的帮助，可以边听边读，做到碎片化的学习。总言而之，推荐大家都体验一下。

       再完美的产品也会有瑕疵，我的词汇量在1.3万左右，大多数单词都能比较熟悉，直接斩掉，但也会有零星的生僻词，我会收藏起来，每天专门巩固这部分词汇。用了两年之久，收藏了八九百个单词了，对于我而言，这些单词属于Panic Zone，需要重点强化的。所以希望针对收藏单词列表提供针对性的练习模式，具体是什么模式我就不多想了，专业的人肯定比我有经验。之前跟客服也反馈过一些小问题和建议，而且百词斩和我的办公地点都在同一个办公区，不管有没有走心，起码反馈还比较及时，所以我也跟客服提了这样一个优化收藏列表的需求，而且随着收藏单词的增多，严重怀疑收藏单词的查询性能是有隐患的。

       下面画风要转变了，一年多过去了，我提的需求还是没着落，斩家千万不要轻视客户的需求啊，特别是一个程序员的需求，索性自己动手，丰衣足食。

       本身百词斩提供离线数据包，而且是Android的应用，假如我能够获取单词的请求格式，同时能够解析每一个单词的音频，图片，例句，再能够解析各个数据库之间的结构关系。理论上讲，这样就能做出来一个PC版的百词斩，也就能满足我的个性化需求，而用户关系这些不太可能是二进制文件的形式，而Android上也就只有sqlite数据库了，这意味着这些数据应该不难解析。初步分析，可行。

       首先找到这些数据都存在什么位置了，我对Android系统不熟悉，或许是我眼拙，找了很久都没找到存放路径，就这几个文件夹，怎么就没有baicizhan这样让人眼前一亮的文件夹呢。仿佛当头一棒，看来敌人没这么蠢，靠人肉技术是不行滴。出师不利，只好另辟蹊径。百词斩提供离线数据包，如果可以监控手机的网络请求，那就能知道他下载的是什么内容了。查了一下，在Fiddler->Options中开启代理，如下图。然后重启Fiddler。

       在手机端（保证是同一个网段），长摁WiFi信号源，修改网络，显示高级，代理设置为手动选择Fiddler所在电脑的无线IP，端口为8888，和Fiddler里面的端口号一致。

       一切就绪，点击下载单词包，yes,we get it！一条条的请求都在Fiddler中获取。请求消息如下图：

       如上图，不难猜测，zpk应该就是每一个单词的数据内容，原来单词是保存在文件里面而非数据库中，文件则按照一定的规则来命名。好吧，顺藤摸瓜，看看zpk里面到底是什么玩意。下载下来一个zpk，然后在beyond compare下面以16进制方式打开，上阕如下：

       好吧，你应该和我一样不想看下去了，唯一不同的是我能继续忍，继续看到中间，发现看到了里面的单词，音标，例句等ASCII码的内容，终于有点头绪了。再继续向下看，右下角思路是我们人类的语言啊，没错，ASCII码如下：

       可以看到，这算是里面的数据清单，包括zpk文件对应的数据和顺序，说明这个数据包括一个jpg，一个aac或者mp3的音频，其中的.是他们的分隔符，对应的是ASCII码的0X00。也就是说，右下角的这一段相当于整个二进制的一个清单，而且也是按照清单中的顺序有前到后排列的。我们先解析这部分，就可以知道该zpk文件中有哪些部分，比如png，jpg，mp3或aac等；每一个文件都有自己的标示头和尾，这样就可以把该二进制文件分解成对应格式的内容，一个zpk就这样迎刃而解。

       当然如上都只是猜测而已，还是需要验证，另外对比来看看是否有没有遗漏的字段。比如jpg文件的开头是FF D8的标识，结尾则是FF D9，我们手动把这部分的二进制字段截取出来，保存为jpg格式，果然不出所料。同样，里面还有png图片和aac的音频。都可以如此获取，最麻烦的是mp3，我对这个格式不熟悉，发现它没有固定的头尾标识，也算一个美中不足吧，导致我写的zpkParser解析代码有特殊处理的地方，而且结果还是有瑕疵（主要是mp3文件在第一或最后位置）。

       至此，总体而言zpk对我就是明码了，赤裸裸的呈现在我的眼前肆意的享用了。看了一下百词斩的数据库，百词斩总计有六万多个单词（这是后话），找了其中几个zpk运行一下，效果都还可以，因为我并不是真的想要解析出来，点到为止，就没有进一步的优化代码。如下是代码片段，根据当前的arrType类型来获取对应的文件开头和结尾标识符，进而截取对应的二进制流并保存。毕竟这种事情不太厚道，所以刻意截取了一些不痛不痒的代码片段：

switch (arrType[i])
{case zpk_mp3:
    pHeader = mp3Header;
    pEnd = mp3Header2;    break;case  zpk_png:
    pHeader = pngHeader;
    pEnd = pngEnd;    break;case zpk_jpg:
    pHeader = jpgHeader;
    pEnd = jpgEnd;    break;case zpk_aac:
    pHeader = aacHeader;
    pEnd = NULL;    break;default:    break;
}

       当然，我之前破解过Google Earth的数据。相比而言，zpk文件并没有加密，也没有压缩，而且还是ASCII码，所以破解这种程度的数据其实并不复杂。而且我只是做到打哪指哪，而想要做到的是指哪打哪。所以，尽管我知道了单词文件的格式，但还是没有找到用户和单词数据之间的映射关系。

       继续努力，全局搜索下终于找到了百词斩在手机里面的存放路径。我认为在Android手机上，百词斩也对自己的数据存放位置做了一些隐藏，因为我用百词斩比较久了，早起的版本貌似就在存储卡下baicizhan文件夹，但发现后来他放到了很难找到的位置，在我的华为手机上对应在Android/data/com.jiongci.com这样一个目录下，也是比较隐藏的，里面的zpk文件夹肯定是所有单词的汇总了，把其他数据拷到电脑上，看看里面的逻辑关系。

       我的习惯，先按照大小排序，然后找到我想要分析的文件后，然后在按照格式排序，最后在看看里面是什么内容。一些logo，广告图片就掠过，首先最大的文件是baicizhantotal.db，这也太明显了。手机上只能是sqlite嘛。我们在sqliteman软件下打开这个数据库，果然不出所料，在tb_total_topic_resources表中，保存了所有单词的属性信息。音标，中英文示意，例句等，前面还有book_id,topic_id等索引信息。这和zpk里面对应的内容完全一样。我们在建立一个key value的映射上迈出了一小步。

       然后对所有db解析，建立各自关联，仿佛你在和百词斩的程序员在进行一次无声的交流，为什么要这样设计，多不方便，哦，为了避免这种情况，为什么会有这么多重复，容易的单词。这是一个漫长，晦涩的过程，也是一个绞尽脑汁的过程。

       bookID表，里面统计了不同科目下的id和单词数目等。可见，考研词汇有6k多个，其中bookid就是每一类的一个索引值。

       想看看雅思核心中的具体的单词统计，则打开对应的表，如下，topic就是该单词的唯一id，下面则是zpk的路径。

       我想要的只是收藏单词的导出功能，所以继续找，你会找到出错单词的统计，当然，还有收藏单词的数据表。如下，这下大家满意了吧。

       我也不清楚为什么这里的id怎么就不一样了呢？于是在Fiddler里面反复收藏单词，查看请求，该功能必须要求在联网环境下，估计是避免版本管理问题。然后找到两个已知id的单词，收藏后对比，这里面是是id+N这样一个固定格式，具体N是多少就不说了，于是乎，把id取出来，减掉N，你就可以获取到收藏单词的id，根据id就可以获取该单词的存放路径，在通过zpkparser就可以解析。这样就能满足我的要求了。试了几个单词，基本验证了我的想法。可是还是不能解释为何这里要用这样一个id的行为，或许也是因为这种“多此一举”的行为，导致收藏单词的不变，进而影响了查找性能。

       当然，人的欲望是无止境的，现在，我已经不满足于收藏的单词了，何不把所有的单词都搞下来，这也算一份不错的英文单词数据了，毕竟数据到哪里都是最核心的。好吧，于是就有了下面的这个截图，百词斩大部分的单词都在其中，每个数字对应一个bookid，包括新概念，囧记，以及雅思托福考研等主要内容。

       前前后后用了两天，也算基本搞清楚了百词斩单词数据部分的相关细节。个人有两个感想，第一，看上去数据解析很简单明了，这是在知道的情况下，其实在破解过程中并不如是，就好比让你蒙眼走路，即使再熟悉的一条路也是有一定的挑战，你不得不凭借你的其他感官，综合判断方向，还要不断的尝试并忍受无劳的失败；另外一个，就是大多数公司对数据安全的重视程度不够，无论如何，数据都是应用的一个基石，没有任何的防范还是略显不足，尽管你以为二进制对人类而言是不可解析的。