自动爬 GitHub定期更新混淆词库：一套可落地的 iOS 混淆方案

在做 iOS 混淆（尤其是符号混淆）时，一个很现实的问题是：

❗ 混淆词库要“像人写的”，但又不能重复、不能被特征识别

很多项目一开始用的是：

• 随机字符串（a1b2c3 ❌）
• 固定词表（很快被识别 ❌）
• 手写词库（维护成本极高 ❌）

更好的方案是：

✅ 自动从 GitHub 抓真实项目命名 → 清洗 → 构建混淆词库 → 定期更新

这篇文章就讲清楚一套完整落地方案。

一、整体架构

先看结构（核心流程）：

GitHub API / 仓库爬取
        ↓
代码解析（提取函数名 / 类名 / 变量名）
        ↓
命名清洗（过滤无效 / 垃圾命名）
        ↓
词库存储（本地 JSON / DB）
        ↓
混淆工具使用
        ↓
定时任务更新（cron）

二、GitHub 数据获取（核心）

1. 使用 GitHub API（推荐）

GitHub 提供搜索 API：

https://api.github.com/search/repositories?q=language:Objective-C&sort=stars

获取热门项目，然后进一步拉代码：

https://api.github.com/repos/{owner}/{repo}/contents/

Python 示例

import requests

GITHUB_TOKEN = "your_token"

headers = {
    "Authorization": f"token {GITHUB_TOKEN}"
}

def get_repos():
    url = "https://api.github.com/search/repositories"
    params = {
        "q": "language:Objective-C",
        "sort": "stars",
        "per_page": 10
    }
    return requests.get(url, headers=headers, params=params).json()

def get_repo_files(owner, repo):
    url = f"https://api.github.com/repos/{owner}/{repo}/git/trees/main?recursive=1"
    return requests.get(url, headers=headers).json()

2. 直接 clone（更稳定）

git clone --depth=1 https://github.com/xxx/xxx.git

优点：

• 不受 API 限制
• 可本地批量处理

三、命名提取（重点）

目标：提取“像人写的命名”

1. 提取 Objective-C / Swift 符号

Objective-C

[A-Za-z_][A-Za-z0-9_]+

更精准一点：

[-+]\s*\([^)]+\)\s*([A-Za-z_][A-Za-z0-9_]*)

提取方法名：

- (void)loadUserData;

得到：

loadUserData

Swift

func\s+([A-Za-z_][A-Za-z0-9_]*)
class\s+([A-Za-z_][A-Za-z0-9_]*)

2. Python 解析示例

import re

def extract_names(code):
    patterns = [
        r'func\s+([A-Za-z_][A-Za-z0-9_]*)',
        r'class\s+([A-Za-z_][A-Za-z0-9_]*)',
        r'[-+]\s*\([^)]+\)\s*([A-Za-z_][A-Za-z0-9_]*)'
    ]
    
    names = []
    for p in patterns:
        names += re.findall(p, code)
    
    return names

四、词库清洗（关键）

直接抓下来的数据是“脏的”，必须过滤。

1. 过滤规则

❌ 无意义命名

tmp
test
aaa
bbb
foo
bar

❌ 太短

长度 < 3

❌ 系统 API（避免冲突）

viewDidLoad
init
dealloc

2. 语义过滤（推荐）

可以用简单规则：

def is_valid(name):
    if len(name) < 3:
        return False
    
    blacklist = ["test", "tmp", "aaa", "demo"]
    
    if name.lower() in blacklist:
        return False
    
    if name.startswith("_"):
        return False
    
    return True

3. 命名风格分类（提升真实度）

将词库分为：

后续混淆可以组合生成：

random.choice(verbs) + random.choice(nouns)

五、词库存储设计

推荐 JSON：

{
  "class": ["UserManager", "NetworkService"],
  "method": ["loadUserData", "fetchConfig"],
  "property": ["userName", "isEnabled"]
}

六、混淆工具接入

生成 mapping：

original_symbol -> new_symbol

示例：

loginUser -> fetchAccountInfo
getData -> loadConfig

生成代码

import random

def generate_mapping(symbols, word_pool):
    mapping = {}
    for s in symbols:
        mapping[s] = random.choice(word_pool)
    return mapping

七、定期更新机制（核心价值）

如果词库不更新，很容易被识别。

1. 使用 cron

0 3 * * * python update_dict.py

每天凌晨更新：

• 拉新 repo
• 更新词库
• 去重
• 覆盖旧词库

2. 增量更新策略

避免全量重建：

old_set = set(old_words)
new_set = set(new_words)

merged = old_set.union(new_set)

3. 版本控制（推荐）

dict_v1.json
dict_v2.json

方便回滚：

git diff

八、优化点（实战经验）

1. 避免重复

used_words = set()

def get_unique_word(pool):
    while True:
        w = random.choice(pool)
        if w not in used_words:
            used_words.add(w)
            return w

2. 加入“行业词”

比如：

• 网络：request / response
• UI：layout / render
• 数据：cache / storage

提升“真实性”

3. 混合策略（推荐）

真实词库 + 自生成组合

例如：

fetch + Manager → fetchManager

九、效果对比

❌ 随机字符串

aB3xYz

✅ GitHub词库

loadUserProfile
updateCachePolicy
fetchNetworkConfig

差异非常明显：

✔ 更像真实代码
✔ 更难被规则识别
✔ 更符合逆向干扰目标