目錄
- 前言
- 一、動態驗證碼
- 二、滑動驗證碼
- 三、驗證碼的降噪
- 四、驗證碼的識別
- 總結
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，其實相當于點擊了一次，這個驗證碼的內容已經被更換了
- 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
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
# 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，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
#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
到此這篇關于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了,更多相關python動態驗證碼降噪和識別內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python驗證碼識別教程之灰度處理、二值化、降噪與tesserocr識別
- python驗證碼識別的實例詳解
- Python驗證碼識別處理實例
- python驗證碼識別教程之利用滴水算法分割圖片
- python簡單驗證碼識別的實現方法
- 詳解Python驗證碼識別
- python驗證碼識別教程之利用投影法、連通域法分割圖片
- python爬蟲之自動登錄與驗證碼識別
- 使用python 對驗證碼圖片進行降噪處理
- python對驗證碼降噪的實現示例代碼
