验证码简介及常见验证码激活成功教程方法

大家好，欢迎来到IT知识分享网。

1、什么是验证码

验证码（CAPTCHA）是“Completely Automated Public Turing test to tell Computers and Humans Apart”（全自动区分计算机和人类的图灵测试）的缩写。 是一种区分用户是计算机还是人的公共全自动程序。可以防止：恶意激活成功教程密码、刷票、论坛灌水， 

2、验证码的类别

2.1、图像验证码

对图像验证码来讲，这类验证码大多是数字、字母的组合，国内也有使用汉字的。在这个基础上增加噪点、干扰线、变形、重叠、不同字体颜色等方法来增加识别难度。 

相应的这种验证码的识别大概分为以下几个步骤：

2.2、滑动验证码

滑动验证码也可以叫做行为验证,其中最出名的就是极验。现在极验验证码已经更新到了 3.0 版本，截至 2017 年 7 月全球已有十六万家企业正在使用极验，每天服务响应超过四亿次，广泛应用于直播视频、金融服务、电子商务、游戏娱乐、政府企业等各大类型网站。 滑动验证码的原理就是使用机器学习中的深度学习技术，根据一些特征来区分是否为正常用户。 比如，可以通过记录用户的滑动平均速度，还有每一小段时间的瞬时速度，用户鼠标点击情况，以及滑动后的匹配程度来识别。而且，不是说滑动到正确位置就是验证通过，而是根据特征识别来区分是否为真用户，滑到正确位置只是一个必要条件。 

2.3、点击验证码

3、python图像处理—Pillow

3.1、简介

Python传统的图像处理库`PIL`(Python Imaging Library )，可以说基本上是Python处理图像的标准库，功能强大，使用简单。 但是由于`PIL`不支持Python3，而且更新缓慢。所以有志愿者在`PIL`的基础上创建了一个分支版本，命名为`Pillow`，`Pillow`目前最新支持到python3.6，更新活跃，并且增添了许多新的特性。所以我们安装Pillow即可。 

3.2、安装

Pillow的安装比较的简单，直接pip安装即可：

pip install Pillow 

但是要注意的一点是，Pillow和PIL不能共存在同一个环境中，所以如果安装的有PIL的话，那么安装Pillow之前应该删除PIL。

由于是继承自PIL的分支，所以Pillow的导入是这样的：

import PIL # 或者 from PIl import Image 

3.3、使用手册

Image

Image是Pillow中最为重要的类，实现了Pillow中大部分的功能。要创建这个类的实例主要有三个方式：

1. 从文件加载图像
2. 处理其他图像获得
3. 创建一个新的图像

读取图像

一般来说，我们都是都过从文件加载图像来实例化这个类，如下所示：

from PIL import Image picture = Image.open('happy.png') 

如果没有指定图片格式的话，那么Pillow会自动识别文件内容为文件格式。

新建图像

Pillow新建空白图像使用new()方法， 第一个参数是mode即颜色空间模式，第二个参数指定了图像的分辨率(宽x高)，第三个参数是颜色。

• 可以直接填入常用颜色的名称。如’red’。
• 也可以填入十六进制表示的颜色，如#FF0000表示红色。
• 还能传入元组，比如(255, 0, 0, 255)或者(255， 0， 0)表示红色。

picture = Image.new('RGB', (200, 100), 'red') 

显示图像

picture.show() 

保存图像

保存图片的话需要使用save()方法：

picture.save('happy.png') 

保存的时候，如果没有指定图片格式的话，那么Pillow会根据输入的后缀名决定保存的文件格式。

图像的坐标表示

在Pillow中，用的是图像的左上角为坐标的原点（0，0），所以这意味着，x轴的数值是从左到右增长的，y轴的数值是从上到下增长的。

我们处理图像时，常常需要去表示一个矩形的图像区域。Pillow中很多方法都需要传入一个表示矩形区域的元祖参数。

这个元组参数包含四个值，分别代表矩形四条边的距离X轴或者Y轴的距离。顺序是(左，顶，右，底)。其实就相当于，矩形的左上顶点坐标为(左，顶)，矩形的右下顶点坐标为(右，底)，两个顶点就可以确定一个矩形的位置。

右和底坐标稍微特殊，跟python列表索引规则一样，是左闭又开的。可以理解为[左, 右)和[顶， 底)这样左闭右开的区间。比如(3, 2, 8, 9)就表示了横坐标范围[3, 7]；纵坐标范围[2, 8]的矩形区域。

常用属性

• PIL.Image.filename

  图像源文件的文件名或者路径，只有使用open()方法创建的对象有这个属性。

  类型：字符串

• PIL.Image.format

  图像源文件的文件格式。

• PIL.Image.mode

  图像的模式，一般来说是“1”, “L”, “RGB”, 或者“CMYK” 。

• PIL.Image.size

  图像的大小

• PIL.Image.width

  图像的宽度

• PIL.Image.height

  图像的高度

• PIL.Image.info

  图像的一些信息，为字典格式

常用方法

裁剪图片

Image使用crop()方法来裁剪图像，此方法需要传入一个矩形元祖参数，返回一个新的Image对象，对原图没有影响。前两个表示左上顶点，后两个表示右下顶点

croped_im = im.crop((100, 100, 200, 200)) 

复制与粘贴图像

复制图像使用copy()方法：

copyed_im = im.copy() 

粘贴图像使用paste()方法：

croped_im = im.crop((100, 100, 200, 200)) im.paste(croped_im, (0, 0)) 

im对象调用了paste()方法，第一个参数是被裁剪下来用来粘贴的图像，第二个参数是一个位置参数元祖，这个位置参数是粘贴的图像的左顶点。

调整图像的大小

调整图像大小使用resize()方法：

resized_im = im.resize((width, height)) 

resize()方法会返回一个重设了大小的Image对象。

旋转图像和翻转图像

旋转图像使用rotate()方法，此方法按逆时针旋转，并返回一个新的Image对象：

# 逆时针旋转90度 im.rotate(90) im.rotate(180) im.rotate(20, expand=True) 

旋转的时候，会将图片超出边界的边角裁剪掉。如果加入expand=True参数，就可以将图片边角保存住。

翻转图像使用transpose()：

# 水平翻转 im.transpose(Image.FLIP_LEFT_RIGHT) # 垂直翻转 im.transpose(Image.FLIP_TOP_BOTTOM) 

获取单个像素的值

使用getpixel(xy)方法可以获取单个像素位置的值：

im.getpixel((100, 100)) 

传入的xy需要是一个元祖形式的坐标。

如果图片是多通道的，那么返回的是一个元祖。

通过通道分割图片

split()

split()可以将多通道图片按通道分割为单通道图片：

R, G, B = im.split() 

split()方法返回的是一个元祖，元祖中的元素则是分割后的单个通道的值。

getchannel(channel)

getchannel()可以获取单个通道的数据：

R = im.getchannel("R") 

加载图片全部数据

我们可以使用load()方法加载图片所有的数据，并比较方便的修改像素的值：

pixdata = im.load() pixdata[100,200] = 255 

此方法返回的是一个PIL.PyAccess，可以通过这个类的索引来对指定坐标的像素点进行修改。

关闭图片并释放内存

此方法会删除图片对象并释放内存

im.close() 

4、tesseract 库–机器视觉用来识别黑白照片上的文字

4.1、Ubuntu上安装

sudo apt-get install tesseract -ocr sudo apt-get install libtesseract-dev 

4.2、windows上安装

https://www.cnblogs.com/jianqingwang/p/6978724.html

详细安装配置pytesseract

验证码简介及常见验证码激活成功教程方法

安装pytesseract

pip install pytesseract 

测试，图片自备：

from PIL import Image import pytesseract im = Image.open("fonts_test.png") #识别 text = pytesseract.image_to_string(im) print(text) 

5、字符型验证码激活成功教程

5.1、将字符转为灰色图片便于处理

from PIL import Image image = Image.open("test.jpg") #灰度处理 im = image.convert("L") 

5.2、二值化

图像的二值化就是将图像上的像素点的灰度值设置为0或者255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。

def binarizing(img,threshold=127): """传入image对象进行灰度、二值处理""" img = img.convert("L") # 转灰度 pixdata = img.load() w, h = img.size # 遍历所有像素，大于阈值的为黑色 for y in range(h): for x in range(w): if pixdata[x, y] < threshold: pixdata[x, y] = 0 else: pixdata[x, y] = 255 return img 

5.3、降噪

根据一个点A的RGB值，与周围8个RGB值进行比较，设定一个值N（0<N<8），当A的RGB值与周围8个点的RGB值相等或者小于N时，此点为噪点

def Noise_reduction(img): pixdata = img.load() w,h = img.size for y in range(1,h-1): for x in range(1,w-1): count = 0 if pixdata[x,y-1] > 245:#上 count = count + 1 if pixdata[x,y+1] > 245:#下 count = count + 1 if pixdata[x-1,y] > 245:#左 count = count + 1 if pixdata[x+1,y] > 245:#右 count = count + 1 if count > 4: pixdata[x,y] = 255 return img 

6、滑动型验证码激活成功教程

极验-验证码结构

逻辑实现

1.获取完整的图片及带缺口的图片

• (1) 获取所有图片所在的div

background_images=driver.find_elements_by_xpath(div_path)

• (2) 匹配所有图片的偏移坐标以及url

location['x']=int(re.findall("background-image: url\(\"(.*)\"\); background-position: (.*)px (.*)px;",background_image.get_attribute('style'))[0][1]) location['y']=int(re.findall("background-image: url\(\"(.*)\"\); background-position: (.*)px (.*)px;",background_image.get_attribute('style'))[0][2]) image_url=re.findall("background-image: url\(\"(.*)\"\); background-position: (.*)px (.*)px;",background_image.get_attribute('style'))[0][0] 

• (3) 根据图片的偏移值对图片进行拼接

im = image.open(filename) new_im = image.new('RGB', (260,116)) im_list_upper=[] im_list_down=[] for location in location_list: if location['y']==-58: im_list_upper.append(im.crop((abs(location['x']),58,abs(location['x'])+10,166))) if location['y']==0: im_list_down.append(im.crop((abs(location['x']),0,abs(location['x'])+10,58))) new_im = image.new('RGB', (260,116)) x_offset = 0 for im in im_list_upper: new_im.paste(im, (x_offset,0)) x_offset += im.size[0] x_offset = 0 for im in im_list_down: new_im.paste(im, (x_offset,58)) x_offset += im.size[0] 

2. 计算缺口的值

• (1) 对比RGB的值

pixel1=image1.getpixel((x,y)) pixel2=image2.getpixel((x,y)) for i in range(0,3): if abs(pixel1[i]-pixel2[i])>=50: return False return True 

• (2)获取缺口的位置

image1.save('1.jpg') image2.save('2.jpg') i=0 for i in range(0,260): for j in range(0,116): if is_similar(image1,image2,i,j)==False: return i 

3. 根据缺口的位置模拟x轴移动的轨迹

# 移动的轨迹列表 track = [] # 当前位移 current = 0 # 减速阈值 mid = distance * 4 / 5 # 计算间隔 t = 0.2 # 初速度 v = 0 while current < distance: if current < mid: # 加速度为正2 a = 2 else: # 加速度为负3 a = -3 # 初速度v0 v0 = v # 当前速度v = v0 + at v = v0 + a * t # 移动距离x = v0t + 1/2 * a * t^2 move = v0 * t + 1 / 2 * a * t * t # 当前位移 current += move # 加入轨迹 track.append(round(move)) for i in range(5): track.append(-1) 

开始滑动

print("第一步,点击元素") ActionChains(driver).click_and_hold(on_element=element).perform() time.sleep(0.15) print("第二步，拖动元素") for track in track_list: ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform() ActionChains(driver).move_by_offset(xoffset=-1, yoffset=0).perform() time.sleep(1) print("第三步，释放鼠标") ActionChains(driver).release(on_element=element).perform() time.sleep(10) 

补充

click_and_hold 点击鼠标左键，按住不放 move_by_offset 鼠标移动到距离当前位置（x,y）