python自動化操作之動態驗證碼、滑動驗證碼的降噪和識別

Posted on by

前言

python對動態驗證碼、滑動驗證碼的降噪和識別，在各種自動化操作中，我們經常要遇到沿跳過驗證碼的操作，而對於驗證碼的降噪和識別，的確困然瞭很多的人。這裡我們就詳細講解一下不同驗證碼的降噪和識別。

一、動態驗證碼 

  • 動態驗證碼是服務端生成的，點擊一次，就會更換一次，這就會造成很多人在識別的時候，會發現驗證碼一直過期
  • 這是因為，如果你是把圖片下載下來，進行識別的話，其實在下載的這個請求中，其實相當於點擊瞭一次，這個驗證碼的內容已經被更換瞭
  • 最好的方法是，打開這個頁面後，將頁面進行截圖，然後定位到驗證碼的位置，將驗證碼從截圖上面裁剪下來進行識別，這樣就不會造成多次請求，驗證碼更換的情況瞭

from selenium import webdriver
from PIL import Image
 
# 實例化瀏覽器
driver = webdriver.Chrome()
 
# 最大化窗口
driver.maximize_window()
 
# 打開登陸頁面
driver.get(# 你的url地址)
 
# 保存頁面截圖
driver.get_screenshot_as_file('./screen.png')
 
# 定位驗證碼的位置
location = driver.find_element_by_id('login_yzm_img').location
size = driver.find_element_by_id('login_yzm_img').size
left = location['x']
top =  location['y']
right = location['x'] + size['width']
bottom = location['y'] + size['height']
 
# 裁剪保存
img = Image.open('./screen.png').crop((left,top,right,bottom))
img.save('./code.png')
 
driver.quit()

二、滑動驗證碼

  • 滑動驗證碼，通常是兩個滑塊圖片，將小圖片滑動到大圖片上的缺口位置，進行重合，即可通過驗證
  • 對於滑動驗證碼，我們就要識別大圖上面的缺口位置，然後讓小滑塊滑動響應的位置距離，即可
  • 而為瞭讓你滑動起來，更加的擬人化，你需要一個滑動的路徑，模擬人為去滑動，而不是機器去滑動

# 下載兩個滑塊
bg = self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[2]/img[1]').get_attribute('src')
slider = self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[2]/img[2]').get_attribute('src')
 
request.urlretrieve(bg, os.getcwd() + '/bg.png')
request.urlretrieve(slider, os.getcwd() + '/slider.png')
 
 
# 獲取兩個滑塊偏移量方法
def getGap(self, sliderImage, bgImage):
    '''
    Get the gap distance
    :param sliderImage: the image of slider
    :param bgImage: the image of background
    :return: int
    '''
    bgImageInfo = cv2.imread(bgImage, 0)
    bgWidth, bgHeight = bgImageInfo.shape[::-1]
    bgRgb = cv2.imread(bgImage)
    bgGray = cv2.cvtColor(bgRgb, cv2.COLOR_BGR2GRAY)
 
    slider = cv2.imread(sliderImage, 0)
    sliderWidth, sliderHeight = slider.shape[::-1]
 
    res = cv2.matchTemplate(bgGray, slider, cv2.TM_CCOEFF)
    a, b, c, d = cv2.minMaxLoc(res)
    # print(a,b,c,d)
    # 正常如下即可
    # return c[0] if abs(a) >= abs(b) else d[0]
    # 但是頭條顯示驗證碼的框跟驗證碼本身的像素不一致，所以需要根據比例計算
    if abs(a) >= abs(b):
        return c[0] * bgWidth / (bgWidth - sliderWidth)
    else:
        return d[0] * bgWidth / (bgWidth - sliderWidth)
 
# 移動路徑方法
def getTrack(self, distance):
    '''
    Get the track by the distance
    :param distance: the distance of gap
    :return: list
    '''
    # 移動軌跡
    track = []
    # 當前位移
    current = 0
    # 減速閾值
    mid = distance * 4 / 5
    # 計算間隔
    t = 0.2
    # 初速度
    v = 0
 
    while current < distance:
        if current < mid:
            # 加速度為正2
            a = 2
        else:
            # 加速度為負3
            a = -3
        # 初速度v0
        v0 = v
        # 當前速度v = v0 + at
        v = v0 + a * t
        # 移動距離x = v0t + 1/2 * a * t^2
        move = v0 * t + 1 / 2 * a * t * t
        # 當前位移
        current += move
        # 加入軌跡
        track.append(round(move))
    return track
 
 
# 滑動到缺口位置
def moveToGap(self, track):
    '''
    Drag the mouse to gap
    :param track: the track of mouse
    :return: None
    '''
    ActionChains(self.driver).click_and_hold(self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[3]/div[2]/div[2]/div')).perform()
    while track:
        x = random.choice(track)
        ActionChains(self.driver).move_by_offset(xoffset=x, yoffset=0).perform()
        track.remove(x)
    time.sleep(0.5)
    ActionChains(self.driver).release().perform()

三、驗證碼的降噪

驗證碼的降噪，隻是為瞭處理驗證碼圖像上的多餘的線條和幹擾線，讓你後期識別更加的準確，提高識別的準確度

第一步：可以進行灰度轉化

img = cv2.imread('yzm.png')
# 將圖片灰度化處理,降維,加權進行灰度化c
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('min_gray',gray)
 
cv2.waitKey(0)
cv2.destroyAllWindows()

第二步： 二值化處理

import cv2
 
img = cv2.imread('yzm.png')
# 將圖片灰度化處理,降維,加權進行灰度化c
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 
t,gray2 = cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
 
cv2.imshow('threshold',gray2)
 
cv2.waitKey(0)
cv2.destroyAllWindows()

第三步：噪點過濾

import cv2
 
img = cv2.imread('yzm.png')
# 將圖片灰度化處理,降維,加權進行灰度化c
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 
t,gray2 = cv2.threshold(gray,220,255,cv2.THRESH_BINARY)
 
def remove_noise(img, k=4):
    img2 = img.copy()
 
    #     img處理數據，k過濾條件
    w, h = img2.shape
 
    def get_neighbors(img3, r, c):
        count = 0
        for i in [r - 1, r, r + 1]:
            for j in [c - 1, c, c + 1]:
                if img3[i, j] > 10:  # 純白色
                    count += 1
        return count
 
    #     兩層for循環判斷所有的點
    for x in range(w):
        for y in range(h):
            if x == 0 or y == 0 or x == w - 1 or y == h - 1:
                img2[x, y] = 255
            else:
                n = get_neighbors(img2, x, y)  # 獲取鄰居數量，純白色的鄰居
                if n > k:
                    img2[x, y] = 255
    return img2
 
 
result = remove_noise(gray2)
cv2.imshow('8neighbors', result)
 
cv2.waitKey(0)
cv2.destroyAllWindows()

四、驗證碼的識別

通常我們會使用tesserocr識別驗證碼，但是這個庫有很大的局限性，識別率低，即時降噪效果很好，有很少的線條，也會不準確，這種識別方式並不十分推薦

所以我們一般會使用第三方的接口進行識別，比如阿裡的圖片識別、騰訊也都是有的

這些第三方接口需要自己接入識別接口

#識別降噪後的圖片
code = tesserocr.image_to_text(nrImg)
 
#消除空白字符
code.strip()
 
#打印
print(code)

總結

到此這篇關於python自動化操作之動態驗證碼、滑動驗證碼的降噪和識別的文章就介紹到這瞭,更多相關python動態驗證碼降噪和識別內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：