从零构建文本隐形水印：一种基于Unicode零宽度字符的隐写实践

1. 什么是文本隐形水印？

你可能见过图片上的半透明logo，但文本也能藏水印——而且完全看不见。文本隐形水印是一种通过修改文本的底层编码结构，嵌入隐藏信息的技术。就像用隐形墨水在纸上写字，平时看不出痕迹，但用特殊方法就能显现。

这种技术主要依赖Unicode中的零宽度字符——这些字符在显示时不会占据任何视觉空间。比如：

• U+200B（零宽度空格）
• U+200C（零宽度非连接符）
• U+200D（零宽度连接符）

实际场景中，你可以在合同、小说甚至代码里嵌入作者信息或版权标识。即使文本被复制粘贴多次，水印依然存在。去年有个案例：某科技公司发现内部代码泄露，通过提取文本中的零宽度字符水印，最终锁定了泄露员工。

2. 零宽度字符的工作原理

2.1 Unicode的隐藏彩蛋

Unicode标准中有一组特殊字符，它们没有宽度、不可见，但能被计算机识别。比如在字符串"Hello"中插入U+200B，显示仍是"Hello"，但实际存储的是"H‌e‌l‌l‌o"（这里用‌模拟零宽度字符）。

这些字符的二进制表示如下：

2.2 编码规则设计

假设我们要嵌入二进制水印"1011"：

1. 将原文每个字符后插入一个零宽度字符
2. 用U+200B代表"0"，U+200D代表"1"
3. 按水印位循环插入：H[1]e[0]l[1]l[1]o

提取时只需扫描零宽度字符序列，还原二进制流。我实测发现，普通文本编辑器（如VS Code）会保留这些字符，但微信、钉钉等IM工具可能会过滤掉它们——这是需要注意的兼容性问题。

3. 实战：Python实现水印嵌入

3.1 基础版本代码

def embed_watermark(text, watermark): zero_width_map = {'0': '\u200b', '1': '\u200d'} watermarked = [] for i, char in enumerate(text): watermark_bit = watermark[i % len(watermark)] watermarked.append(char + zero_width_map[watermark_bit]) return ''.join(watermarked) # 使用示例 original = "重要机密文件" watermark = "110101" # 版权标识的二进制形式 hidden_text = embed_watermark(original, watermark) print(f"看似普通的文本：{hidden_text}") print(f"实际长度：{len(hidden_text)} vs 原始长度：{len(original)}")

这段代码会在每个字符后插入水印位。用hexdump查看输出，能看到交替出现的E2 80 8B和E2 80 8D（零宽度字符的UTF-8编码）。

3.2 增强鲁棒性

单纯插入字符容易被批量删除，我们可以：

1. 随机化插入位置：不是每个字符后都插入
2. 添加校验码：在水印末尾加CRC校验
3. 加密水印：先用AES加密再嵌入

改进后的嵌入逻辑：

import random from Crypto.Cipher import AES def robust_embed(text, watermark, key): # AES加密水印 cipher = AES.new(key, AES.MODE_ECB) encrypted = cipher.encrypt(watermark.ljust(16).encode()) # 转换为二进制串 binary_wm = ''.join(f'{byte:08b}' for byte in encrypted) # 随机选择插入位置 positions = sorted(random.sample(range(len(text)), len(binary_wm))) # 插入水印 result = list(text) for pos, bit in zip(positions, binary_wm): result.insert(pos + 1, '\u200b' if bit == '0' else '\u200d') return ''.join(result)

4. 水印提取与检测

4.1 基础提取器

def extract_watermark(watermarked_text): bits = [] for char in watermarked_text: if char == '\u200b': bits.append('0') elif char == '\u200d': bits.append('1') return ''.join(bits) # 高级版：处理加密水印 def decrypt_watermark(watermarked_text, key): binary_str = extract_watermark(watermarked_text) bytes_data = [int(binary_str[i:i+8], 2) for i in range(0, len(binary_str), 8)] cipher = AES.new(key, AES.MODE_ECB) return cipher.decrypt(bytes(bytes_data)).decode().strip()

4.2 对抗文本编辑

文本可能被修改，导致水印损坏。我们可以：

1. 冗余编码：重复嵌入3次水印，取多数表决
2. 位置散列：用HMAC算法确定插入位置
3. 错误校正：添加Reed-Solomon编码

from hashlib import sha256 def hmac_position(text, watermark, secret): hmac = sha256((text + secret).encode()).hexdigest() positions = [] for i in range(len(watermark)): pos = int(hmac[i*2:i*2+2], 16) % len(text) positions.append(pos) return sorted(positions)

5. 应用场景与局限性

5.1 典型使用案例

• 代码版权保护：在开源代码中嵌入开发者信息
• 文档溯源：政府公文添加部门标识
• 聊天审计：IM自动在消息中插入发送者ID
• 防抄袭检测：论文预印本嵌入指纹

去年某开源项目发现有人去除License后二次销售，通过提取代码中的零宽度字符水印，成功证明了原始著作权。

5.2 技术限制

1. 编辑器兼容性：

   • 保留水印：VS Code、Sublime Text
   • 可能丢失：Word、WPS（粘贴时）
   • 完全过滤：大多数网页文本框

2. 攻击手段：

   • 重新输入文本（OCR无法提取）
   • 转PDF再转文本
   • 使用strings命令提取可见字符

3. 容量限制：每100字符约可嵌入20-30位水印信息

我在实际项目中发现，结合自然语言水印（同义词替换）和零宽度字符，能显著提高抗攻击能力。例如同时用"快速"和"迅速"来编码二进制位，即使零宽度字符被过滤，仍有部分信息保留。