前言
python對動態(tài)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(jīng)常要遇到沿跳過驗證碼的操作，而對于驗證碼的降噪和識別，的確困然了很多的人。這里我們就詳細講解一下不同驗證碼的降噪和識別。
一、動態(tài)驗證碼
- 動態(tài)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(fā)現(xiàn)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，其實相當于點擊了一次，這個驗證碼的內(nèi)容已經(jīng)被更換了
- 最好的方法是，打開這個頁面后，將頁面進行截圖，然后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，驗證碼更換的情況了
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
from selenium import webdriverfrom 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').locationsize = driver.find_element_by_id('login_yzm_img').sizeleft = 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
- 對于滑動驗證碼，我們就要識別大圖上面的缺口位置，然后讓小滑塊滑動響應的位置距離，即可
- 而為了讓你滑動起來，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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
|
# 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(jù)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，只是為了處理驗證碼圖像上的多余的線條和干擾線，讓你后期識別更加的準確，提高識別的準確度
第一步：可以進行灰度轉(zhuǎn)化
|
1
2
3
4
5
6
7
|
img = cv2.imread('yzm.png')# 將圖片灰度化處理,降維,加權(quán)進行灰度化cgray = cv2.cvtcolor(img,cv2.color_bgr2gray)cv2.imshow('min_gray',gray) cv2.waitkey(0)cv2.destroyallwindows() |
第二步： 二值化處理
|
1
2
3
4
5
6
7
8
9
10
11
12
|
import cv2 img = cv2.imread('yzm.png')# 將圖片灰度化處理,降維,加權(quán)進行灰度化cgray = 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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
import cv2 img = cv2.imread('yzm.png')# 將圖片灰度化處理,降維,加權(quán)進行灰度化cgray = 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(shù)據(jù)，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(huán)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(shù)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，這種識別方式并不十分推薦
所以我們一般會使用第三方的接口進行識別，比如阿里的圖片識別、騰訊也都是有的
這些第三方接口需要自己接入識別接口
|
1
2
3
4
5
6
7
8
|
#識別降噪后的圖片code = tesserocr.image_to_text(nrimg) #消除空白字符code.strip() #打印print(code) |
總結(jié)
到此這篇關(guān)于python自動化操作之動態(tài)驗證碼、滑動驗證碼的降噪和識別的文章就介紹到這了,更多相關(guān)python動態(tài)驗證碼降噪和識別內(nèi)容請搜索服務器之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持服務器之家！
原文鏈接：https://blog.csdn.net/weixin_41635750/article/details/119950411
