了解常見驗(yàn)證碼
在日常生活與工作中,在進(jìn)行各類設(shè)計(jì)個(gè)人賬戶安全的操作時(shí),往往需要填寫各種驗(yàn)證碼來進(jìn)行驗(yàn)證,短信、語音、文字、問答、圖片、拖拽、旋轉(zhuǎn)騰挪、拼圖接圖.......千奇百怪,各種各樣,種類繁多,花樣迭起!就拿奇葩驗(yàn)證碼鼻祖的12306來說,如今我們?cè)?2306中可以碰到各種有趣,各種類型的驗(yàn)證碼的原因,要?dú)w功于為搶票事業(yè)做出巨大貢獻(xiàn)的——黃牛們,它的“進(jìn)化史”就是一部不斷與黃牛和搶票軟件“斗智斗勇”的歷史。
目前我們常見的驗(yàn)證碼,無非就是文本、圖像以及音頻這三大類。
而當(dāng)文本驗(yàn)證碼仍容易被機(jī)器“擊破”時(shí),圖像驗(yàn)證碼就應(yīng)運(yùn)而生了。通常是會(huì)提供一些物體、動(dòng)物、植物、人、風(fēng)景之類的圖像,讓我們選擇正確的圖像進(jìn)行標(biāo)記。這就是以12306為首的圖像驗(yàn)證碼了,但是這個(gè)還不算后來圖像驗(yàn)證碼又增加了新的玩法,比如旋轉(zhuǎn)圖片,比如拼圖以及宮格,目的還是為了對(duì)抗爬蟲這些機(jī)器。
接下來是音頻驗(yàn)證碼,這種相比前兩種數(shù)量相對(duì)要小一些,主要是會(huì)給我們一段錄音,里面有隨機(jī)的單詞或數(shù)字,有的會(huì)加一些噪音,我們基于錄音輸入其中聽到的單詞或數(shù)字,或者把它讀出來。從安全性上來說,聲音驗(yàn)證碼比文本和圖像等級(jí)要提升一個(gè)層級(jí),因?yàn)闄C(jī)器想要聽錄音并分辨,這個(gè)難度會(huì)非常大。
驗(yàn)證碼的處理方案
• 手動(dòng)輸入(input) 這種方法僅限于登錄一次就可持續(xù)使用的情況
• 圖像識(shí)別引擎解析 使用光學(xué)識(shí)別引擎處理圖片中的數(shù)據(jù),目前常用于圖片數(shù)據(jù)提取,較少用于驗(yàn)證碼處理
• 打碼平臺(tái) 爬蟲常用的驗(yàn)證碼解決方案
圖像識(shí)別引擎
OCR,即Optical Character Recognition,光學(xué)字符識(shí)別,是指通過掃描字符,然后通過其形狀將其翻譯成電子文本的過程,對(duì)應(yīng)圖形驗(yàn)證碼來說,它們都是一些不規(guī)則的字符,這些字符是由字符稍加扭曲變換得到的內(nèi)容,我們可以使用OCR技術(shù)來講其轉(zhuǎn)化為電子文本,然后將結(jié)果提取交給服務(wù)器,便可以達(dá)到自動(dòng)識(shí)別驗(yàn)證碼的過程
tesserocr與pytesseract是Python的一個(gè)OCR識(shí)別庫,但其實(shí)是對(duì)tesseract做的一層Python API封裝,pytesseract是Google的Tesseract-OCR引擎包裝器;所以它們的核心是tesseract,因此在安裝tesserocr之前,我們需要先安裝tesseract。
圖片識(shí)別引擎環(huán)境的安裝
1 引擎的安裝
• mac環(huán)境下直接執(zhí)行命令
brew install --with-training-tools tesseract
• windows環(huán)境下的安裝 可以通過exe安裝包安裝,下載地址可以從GitHub項(xiàng)目中的wiki找到。安裝完成后記得將Tesseract 執(zhí)行文件的目錄加入到PATH中,方便后續(xù)調(diào)用。
• linux環(huán)境下的安裝
sudo apt-get install tesseract-ocr
2 Python庫的安裝
# PIL用于打開圖片文件
pip/pip3 install pillow
# pytesseract模塊用于從圖片中解析數(shù)據(jù)
pip/pip3 install pytesseract
本次案例我們使用圖片識(shí)別引擎識(shí)別驗(yàn)證碼登陸古詩文網(wǎng)
通過分析我們發(fā)現(xiàn)驗(yàn)證碼點(diǎn)擊刷新的鏈接是:
所以我們請(qǐng)求10次本鏈接獲取10張圖片,進(jìn)行圖片識(shí)別
import time
from PIL import Image
import pytesseract
import requests
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36"
}
image_url = 'https://so.gushiwen.org/RandCode.ashx'
# 下載驗(yàn)證碼圖片
session = requests.Session() # 使用session是為了保證驗(yàn)證碼的請(qǐng)求和登陸請(qǐng)求信息一致
for i in range(10):
r = session.get(image_url, headers=headers)
with open('images/code'+str(i)+'.jpg', 'wb') as fp:
fp.write(r.content)
time.sleep(10)
print('下載完成第'+str(i)+'張!')
# 依次識(shí)別并保存到文件中
# 進(jìn)行二值處理
def erzhihua(image, threshold):
''':type image:Image.Image'''
image = image.convert('L')
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return image.point(table, '1')
# 對(duì)剛才保存的10張圖片進(jìn)行識(shí)別
for i in range(10):
im = Image.open('images/code' + str(i) + '.jpg')
im = erzhihua(im, 127)
im.show()
result = pytesseract.image_to_string(im, lang='eng')
print(result)
但是很遺憾10次或者更多次數(shù)才能打碼成功一次。
打碼平臺(tái)
此時(shí)我們就要尋求專業(yè)的打碼平臺(tái),申請(qǐng)第三方的平臺(tái),宋宋試了一下阿里提供的各種免費(fèi)的打碼平臺(tái)。鏈接:https://market.aliyun.com/products/?keywords=圖片識(shí)別驗(yàn)證碼,但是識(shí)別效果不是很佳(哈哈因?yàn)槭敲赓M(fèi)的緣故吧!只有標(biāo)記優(yōu)品的那個(gè)還不錯(cuò)其他的也可以自行試一試)。
為了測試它的識(shí)別效果,我們嘗試申請(qǐng)成交次數(shù)最多的那個(gè),查看官方API說明如下:
因此我們使用驗(yàn)證碼打碼平臺(tái)獲取驗(yàn)證碼并登錄
實(shí)現(xiàn)思路:
使用requests.session獲取圖片并進(jìn)行本地保存
使用打碼平臺(tái)識(shí)別圖片
獲取登錄鏈接,登陸鏈接是一個(gè)post請(qǐng)求,并攜帶了你的表單中填入的用戶名和密碼
登陸獲取cookies, 才能去訪問用戶的個(gè)人頁
import json
from PIL import Image
import pytesseract
import requests
import urllib.request
import base64
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
# 1. 使用requests.session獲取圖片并進(jìn)行本地保存
headers = {
"user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.149 Safari/537.36"
, 'Host': 'www.xqb5200.com'
, 'Referer': 'https://www.xqb5200.com/login.php'
}
session = requests.Session() # 使用session是為了保證驗(yàn)證碼的請(qǐng)求和登陸請(qǐng)求信息一致
code_image_url = "https://www.xqb5200.com/checkcode.php"
r = session.get(code_image_url, headers=headers)
with open('code.jpg', 'wb') as fp:
fp.write(r.content)
# 2. 使用打碼平臺(tái)識(shí)別圖片
# 修改API說明修改接口地址
url = 'https://imgurlocr.market.alicloudapi.com/urlimages'
method = 'POST'
appcode = '你的APPCODE'
querys = ''
bodys = {}
f = open(r'code.jpg', 'rb')
contents = base64.b64encode(f.read())
f.close()
bodys['image'] = bytes("data:image/jpg;base64,", encoding="utf8")+contents
post_data = urllib.parse.urlencode(bodys).encode(encoding='UTF8')
request = urllib.request.Request(url, post_data)
# 根據(jù)API的要求,定義相對(duì)應(yīng)的Content-Type
request.add_header('Content-Type', 'application/x-www-form-urlencoded; charset=UTF-8')
request.add_header('Authorization', 'APPCODE ' + appcode)
ctx = ssl.create_default_context()
ctx.check_hostname = False
ctx.verify_mode = ssl.CERT_NONE
response = urllib.request.urlopen(request, context=ctx)
content = response.read()
if (content):
code = json.loads(content.decode('utf-8'))
print(code)
print(code['result']['words'])
# 3. 獲取登錄鏈接,登陸鏈接是一個(gè)post請(qǐng)求,并攜帶了你的表單中填入的用戶名和密碼
login_url = "https://www.xqb5200.com/login.php?do=submit"
# 用戶名和密碼大家可以注冊(cè)一個(gè)新的用戶
data = {
"username": "你的用戶名",
"password": "你的秘密",
"checkcode": code,
"action": "login",
"submit": "%26%23160%3B%B5%C7%26%23160%3B%26%23160%3B%C2%BC%26%23160%3B"
}
# 4. 登陸獲取cookies, 才能去訪問用戶的個(gè)人頁
response = session.post(url=login_url, headers=headers, data=data)
response.encoding = 'utf-8'
cookies = response.cookies
# 查看登陸是否成功了
with open('logsucess.html', 'wb') as fp:
response.encoding = response.apparent_encoding
fp.write(response.content)
這樣我們還是可以識(shí)別這個(gè)驗(yàn)證碼的,如圖
最后保存到本地的文件,顯示登陸成功
還有滑動(dòng)驗(yàn)證碼和點(diǎn)觸驗(yàn)證碼的使用以及selenium+驗(yàn)證碼登陸,期待下篇文章給大家分享...