题目给了一串字符,你认出它是 base64,解出来却发现还是乱码。再试 hex,得到另一串更像乱码的东西。于是开始怀疑自己是不是解错了编码。实际情况往往是:编码套了好几层,或者第一层根本不是 base64。识别错了方向,后面的操作全是白费。

这篇先把编码、压缩、加密这三种「看起来都是把内容变乱」的操作分开,再给一张常见编码的识别表,然后用一个三层编码的例子走完解码顺序。最后讲隐写:信息不一定在文本里,也可能藏在图片元数据、像素最低位或文件尾。所有例子都是自己生成的材料,命令和输出都经过核对。

编码、压缩、加密,不是一回事

三者都会让原始内容「看起来不像原文」,但目的和可逆方式完全不同。搞混它们,就会在错误的方向上反复尝试。

编码

为了传输或存储,把内容换成另一种表示。规则公开,不需要密钥,任何人都能还原。base64、URL 编码、Unicode 转义都属于这一类。

压缩

为了减小体积,去掉冗余。zip、gzip、xz 都是压缩。压缩后的数据通常是二进制,解压需要知道格式,但不需要秘密。

加密

为了保密,用密钥把内容变成不可读的形式。没有密钥就无法还原,或者还原成本极高。CTF 里的加密题通常会给足够的数学线索。

判断顺序建议是:先看是不是编码,再看是不是压缩,最后才考虑加密。因为编码的线索最明显(字符集固定、长度有规律),压缩次之(文件头、熵),加密往往需要额外的参数或提示。把编码当成加密去爆破,是最常见的弯路。

常见编码的识别特征

识别编码不需要背全部规则,先看字符集和长度。下面这张表覆盖了 CTF 里出现频率最高的几种。

编码字符集特征长度 / 结尾解码方式
base64大小写字母、数字、+、/长度是 4 的倍数,常以 = 或 == 结尾base64.b64decode
base32大写字母 A-Z 和数字 2-7长度是 8 的倍数,常以 = 结尾base64.b32decode
hex只有 0-9、a-f(或 A-F)长度为偶数bytes.fromhex
URL 编码大量 % 后跟两位十六进制不固定urllib.parse.unquote
HTML 实体&# 或 < 形式不固定html.unescape
Unicode 转义\uXXXX 形式成对出现codecs.decode(..., "unicode_escape")
ROT13纯字母,长度不变不固定codecs.encode(..., "rot13")
摩斯码点和划,用空格或斜杠分隔不固定按分隔符拆分后查表

这些特征不是绝对的。base64 字符集也可能出现在普通文本里;hex 可能只是恰好只有 0-9a-f 的字符串。判断时要结合上下文:题目说「编码」,输出长度整齐,字符集又符合,才值得试。试一次的成本很低,但不要在一串明显不含 % 的文本上反复试 URL 解码。

base64 还有几个常见变体。URL 安全的 base64 会把 + 和 / 换成 - 和 _,避免在 URL 里被转义;有些实现会去掉结尾的 =。遇到这两种情况,先替换字符、补齐填充再解码。base32 和 base58 也常出现:base32 只使用大写字母和 2 到 7,base58 去掉了容易混淆的 0、O、I、l,常见于钱包地址。看到字符集和常见编码都对不上时,先查这几个变体,比盲目猜「加密」有效。

base64 不是加密。它只是把字节按 6 位一组重新映射成字符,任何人拿到都能解。看到「base64 加密」这种说法,直接理解成「base64 编码」。

哈希也常被误认为编码或加密。MD5、SHA-1、SHA-256 把任意长度的输入映射成固定长度的摘要,过程不可逆,不能「解码」回原文。CTF 里看到 32 位十六进制,先想 MD5;64 位想 SHA-256。题目如果要求还原原文,通常给的是弱口令或已知明文,靠碰撞表或猜测,而不是数学逆运算。

进制:别在 0x 和十进制之间绕晕

CTF 里常见的进制有二进制、八进制、十进制、十六进制。题目可能给一串 01100110,也可能给 666c6167。前者是二进制,后者看着像十六进制,解出来是 flag 的 ASCII 字节。

print(int("01100110", 2))        # 102,对应字符 f
print(bytes.fromhex("666c6167"))  # b'flag'
print(hex(102))                   # 0x66
print(oct(102))                   # 0o146
print(bin(102))                   # 0b1100110

本机 Python 3.15 实际跑过这几行,输出与注释一致。处理进制时容易犯两个错:把 0x 前缀当成内容的一部分,或者把八进制的前导 0 当成十进制。看到一串数字先数范围:只有 0 和 1 基本是二进制;只有 0 到 7 可能是八进制;包含 a-f 基本是十六进制。

还有一种「进制伪装」:题目给一串十进制数字,每三个一组,转成 ASCII 码就是字符。比如 102 108 97 103 对应 flag。这类题不需要工具,心算加脚本都行,关键是先意识到「数字可能代表字符编码」,而不是继续当成一个整体的大整数。

字符编码本身也常被混进编码题里。ASCII 只覆盖英文和少量符号,一个汉字在 UTF-8 里通常占三个字节,在 GBK 里占两个。题目给出一串字节,解出来是中文乱码,往往不是「解错了」,而是用了错误的字符集。Python 里解码时显式写明编码,比如 bytes.decode("utf-8") 或 decode("gbk"),比让它按系统默认猜要可靠。看到「锟斤拷」这类典型乱码,基本可以判断是 UTF-8 字节被当成 GBK 读,或者反过来。

走查:三层编码怎么按顺序拆

题目给了一串字符:

NzM3OTZlNzQ3Yjc5NmU2YzcyNjU2NjVmNjI3ODdk

先看特征:只含大小写字母和数字,长度是 4 的倍数,结尾没有等号。它同时符合 base64 和「base64 解出来是 hex」的可能。按最外层先解:

import base64
s = "NzM3OTZlNzQ3Yjc5NmU2YzcyNjU2NjVmNjI3ODdk"
print(base64.b64decode(s).decode())

输出是 73796e747b796e6c7265665f62787d。这一串只有 0-9 和 a-f,长度是偶数,明显是十六进制。继续解:

h = base64.b64decode(s).decode()
print(bytes.fromhex(h).decode())

输出是 synt{ynlref_bx}。看起来像 flag 的形状,但字母不对。注意 synt 和 flag 的字母差异,以及花括号里的内容,这很像 ROT13:每个字母往后移 13 位。s 移 13 位是 f,y 移 13 位是 l。继续解:

import codecs
mid = bytes.fromhex(h).decode()
print(codecs.decode(mid, "rot13"))

输出 flag{layers_ok}。三层拆完,顺序是 base64、hex、ROT13。本机实际跑过整条链,输出与上面一致。这个例子的关键是每层都有可识别的特征:第一层长度和字符集指向 base64,第二层只有 hex 字符,第三层形状像 flag 但字母偏移,指向 ROT13。

不要凭「解出来还是乱码」就换一种编码重试。先把当前输出记录下来,看它的字符集和长度,再决定下一层。盲目轮换编码,容易在两层之间来回打转,最后自己也说不清解到哪一层。

隐写:信息不一定在文字里

隐写(steganography)是把信息藏进载体里,让载体看起来仍然正常。CTF 里最常见的载体是图片,其次是音频、视频和文档。图片隐写主要有三个位置:

元数据EXIF、PNG 文本块、注释字段。拍摄设备、软件名、版权信息里可能直接写着 flag,也可能藏着 base64。用 exiftool 或 strings 就能看到。
像素数据最常见的是 LSB(最低有效位):把每个像素颜色值的最低位替换成秘密数据的比特。肉眼几乎看不出变化,但按位提取就能还原。无损格式(PNG、BMP)适合,JPEG 有损压缩会破坏 LSB。
文件尾附加在图片正常结束标记之后追加一段数据,前面仍然是合法图片,后面是压缩包或其他文件。用 binwalk 或对比文件大小就能发现。

排查顺序建议:先 exiftool 看元数据,再 strings 看明文,再 binwalk 看嵌套文件,最后才考虑像素级隐写。前三种成本低,几秒钟就能排除;像素提取需要专门的工具或脚本,放在后面。

音频隐写也有类似层次:元数据、频谱图、波形最低位、附加数据。频谱图里可能直接画出文字,用音频软件看 spectrogram 就能发现。视频则可能藏在某一帧、字幕流或容器元数据里。原则是一样的:从成本低的位置开始排除。

文档类载体也值得注意。PDF 可以附加文件、隐藏对象、用白色文字写在页面上;Office 文档可以藏在批注、自定义属性、嵌入对象里;压缩包可以藏注释和额外字段。遇到「文档看起来很正常」的题,先解压看内部结构,再检查元数据和附加对象。很多线索不在正文,而在「文档允许携带但平时没人看」的位置。

还有一个不用工具的检查:比对文件大小和内容。一张 800×600 的纯色 PNG 可能只有几 KB,如果题目附件有几十 MB,差额几乎一定来自附加数据或高熵的隐藏内容。反过来,正常图片大小和分辨率对得上,却不显示,就要怀疑文件头或结构被改。先看「大小是否合理」,往往比直接跳进像素分析更快。

还有一个细节:文本文件里的不可见字符。零宽空格、制表符、回车换行混用、行尾多余空格,可能自身就编码了信息,也可能只是复制时带进来的噪声。处理字符串前先 repr() 看一眼真实内容,比盯着渲染后的文本猜更可靠。

现象、原因与第一步

现象真实原因第一步查什么
base64 解出来还是乱码还有一层编码,或第一层认错了看解出内容的字符集和长度,再选下一层
hex 解码报「非十六进制字符」里面有空格、换行或前缀 0x先清洗空白和前缀,再解码
ROT13 解完字母对了但格式不对可能不是 ROT13,而是别的移位统计字母频率,试所有 26 种移位
图片打开正常但找不到线索信息在元数据、像素或文件尾exiftool、strings、binwalk 依次试
LSB 提取出来是噪声图片经过有损压缩,或通道/位序弄错确认是无损格式,换通道和位序重试
文件尾有数据但打不开附加数据被截断或缺少文件头按魔数识别真实类型,补回文件头

边界与代价

编码和隐写的组合可以无限套娃,但题目的目的是可解,通常会留下足够的特征。真正难的不是工具,而是「什么时候停止尝试某个方向」。给自己定一个规则:同一方向连续三种方法都没有新信息,就换方向;每换一次方向,先把已得到的输出保存下来,避免重复劳动。

合规上,编码解码本身是无害的,但隐写分析的对象要合法。只分析 CTF 附件、自己生成的材料或明确授权的文件。不要从别人的社交平台下载照片做隐写分析,也不要把提取出的内容用于未经授权的用途。技术能力越强,越需要明确边界。

当天能自己验证的练习

  1. 把 flag{layers_ok} 按「ROT13、hex、base64」的顺序编码,再按相反顺序解码,确认每一步的输出和本文一致。
  2. 用 Python 把 102 108 97 103 转成字符,再用 hex 和 bin 观察同一个数的不同表示。
  3. 找一张自己拍的照片,用 exiftool 看元数据,记录设备型号和软件信息;如果没有 exiftool,用 strings 找找可读字段。
  4. 用 Python 生成一张纯色 PNG,把一段文本的每个比特写进最低位,再写脚本提取,体会 LSB 的容量和限制。
  5. 把一个 zip 文件追加到 PNG 末尾,用 binwalk 或 file 观察能不能识别出嵌套文件。

小结

三句话:先分清编码、压缩、加密,再按特征选解码方式;每层都记录输入输出,不要盲目轮换;隐写先查元数据和文件尾,最后才做像素级提取。

下一篇讲流量分析。抓包文件比图片大得多,几百兆的 pcap 里可能只有一条请求有意义。那篇会讲怎么用显示过滤器快速缩小范围、怎么导出对象和追踪流,以及加密流量为什么不能靠「找关键字」解决。