【亲测免费】 Pyarmor-Static-Unpack-1shot:一键解密 Pyarmor 加密脚本
项目介绍
在软件开发领域,代码保护是一项重要的安全措施。Pyarmor 是一款流行的 Python 代码保护工具,它将 Python 脚本转换成二进制数据,形成一种加密的 pyc 文件变体。这些文件可以被共享库(pyarmor_runtime)解密,并由 Python 解释器执行。
Pyarmor-Static-Unpack-1shot 项目则旨在将这些加密数据转换回字节码汇编,甚至实验性地还原回源代码。项目基于优秀的 Decompyle++(pycdc)进行了分支开发,并在此基础上增加了一些抽象语法树的修改。
项目技术分析
Pyarmor-Static-Unpack-1shot 的工作原理与 Pyarmor 相反,它不需要执行加密脚本,而是使用与 pyarmor_runtime 相同的算法进行解密。这种静态解密方式在处理不可信脚本时尤为有用。
项目支持 Pyarmor 8.0 到 9.1.2(最新版)的所有版本,兼容 Python 3.7 至 3.13,并可在所有操作系统上运行。它尽可能支持多种混淆选项,尽管测试有限。
值得注意的是,如果数据以 PY 后跟六位数字开始,则表示支持;如果以 PYARMOR 开始,则表示它是由 Pyarmor 7 或更早版本生成的,本项目不支持。
项目及应用场景
Pyarmor-Static-Unpack-1shot 的应用场景主要包括:
- 安全审计:在安全审计过程中,可能需要检查加密脚本的安全性或还原代码以进行深入分析。
- 代码调试:开发者可能需要调试加密脚本,以便更好地理解其行为或修复潜在的错误。
- 逆向工程:在某些合法的研究或开发场景中,可能需要分析加密脚本来获取技术细节或逆向工程。
项目特点
静态解密
Pyarmor-Static-Unpack-1shot 不需要执行加密脚本,即可实现解密。这种静态解密方式在处理不信任的脚本时非常有效。
通用性
项目旨在支持 Pyarmor 8.0 到 9.1.2 版本,以及 Python 3.7 至 3.13,在所有操作系统上运行,并尽可能支持更多的混淆选项。
易用性
使用 Pyarmor-Static-Unpack-1shot 非常简单,用户只需指定加密脚本所在位置,工具就会自动检测、解析、反汇编和反编译。
安装与使用
安装步骤如下:
mkdir build
cd build
cmake ..
cmake --build .
cmake --install .
也可以在项目发布页下载预编译的二进制文件。
使用方法:
python /path/to/helpers/shot.py /path/to/scripts
确保在运行 shot.py 之前,helpers 目录下存在 pyarmor-1shot(Windows 系统为 pyarmor-1shot.exe)可执行文件。
只需指定包含所有加密数据及 pyarmor_runtime 的目录,工具将尽可能递归处理它们。
如果需要,可以使用 -r path/to/pyarmor_runtime[.pyd|.so|.dylib] 指定 pyarmor_runtime 可执行文件路径。所有生成的文件名将包含 .1shot.。如果希望将文件保存到其他目录,可以使用 -o another/path/,文件夹结构将保持不变。
注意事项
- 如果子目录名为
__pycache__或site-packages,或直接包含.no1shot文件,则不会处理这些目录,以避免重复处理或无限循环,节省时间。 - 对于 PyInstaller 打包的归档文件或可执行文件,必须使用其他工具先进行解包,否则可能会遇到未定义的行为。
结语
Pyarmor-Static-Unpack-1shot 是一款功能强大的工具,适用于处理 Pyarmor 加密的 Python 脚本。其静态解密、通用性和易用性使其成为开发者和安全专家的重要助手。无论是出于安全性审计、代码调试还是逆向工程的需求,Pyarmor-Static-Unpack-1shot 都能提供有效的支持。如果你需要一款强大的 Python 代码解密工具,Pyarmor-Static-Unpack-1shot 绝对值得一试。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00