python自动化操作之动态验证码、滑动验证码的降噪和识别

前言

python对动态验证码、滑动验证码的降噪和识别，在各种自动化操作中，我们经常要遇到沿跳过验证码的操作，而对于验证码的降噪和识别，的确困然了很多的人。这里我们就详细讲解一下不同验证码的降噪和识别。

一、动态验证码 

• 动态验证码是服务端生成的，点击一次，就会更换一次，这就会造成很多人在识别的时候，会发现验证码一直过期

• 这是因为，如果你是把图片下载下来，进行识别的话，其实在下载的这个请求中，其实相当于点击了一次，这个验证码的内容已经被更换了

• 最好的方法是，打开这个页面后，将页面进行截图，然后定位到验证码的位置，将验证码从截图上面裁剪下来进行识别，这样就不会造成多次请求，验证码更换的情况了

from selenium import webdriver
from PIL import Image

# 实例化浏览器
driver = webdriver.Chrome()

# 最大化窗口
driver.maximize_window()

# 打开登陆页面
driver.get(# 你的url地址)

# 保存页面截图
driver.get_screenshot_as_file('./screen.png')

# 定位验证码的位置
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、滑动验证码

• 滑动验证码，通常是两个滑块图片，将小图片滑动到大图片上的缺口位置，进行重合，即可通过验证

• 对于滑动验证码，我们就要识别大图上面的缺口位置，然后让小滑块滑动响应的位置距离，即可

• 而为了让你滑动起来，更加的拟人化，你需要一个滑动的路径，模拟人为去滑动，而不是机器去滑动

# 下载两个滑块
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')

# 获取两个滑块偏移量方法
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]
   # 但是头条显示验证码的框跟验证码本身的像素不一致，所以需要根据比例计算
   if abs(a) >= abs(b):
       return c[0] * bgWidth / (bgWidth - sliderWidth)
   else:
       return d[0] * bgWidth / (bgWidth - sliderWidth)

# 移动路径方法
def getTrack(self, distance):
   '''
   Get the track by the distance
   :param distance: the distance of gap
   :return: list
   '''
   # 移动轨迹
   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))
   return track

# 滑动到缺口位置
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、验证码的降噪

验证码的降噪，只是为了处理验证码图像上的多余的线条和干扰线，让你后期识别更加的准确，提高识别的准确度

第一步：可以进行灰度转化

img = cv2.imread('yzm.png')
# 将图片灰度化处理,降维,加权进行灰度化c
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
cv2.imshow('min_gray',gray)

cv2.waitKey(0)
cv2.destroyAllWindows()

第二步： 二值化处理

import cv2

img = cv2.imread('yzm.png')
# 将图片灰度化处理,降维,加权进行灰度化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：噪点过滤

import cv2

img = cv2.imread('yzm.png')
# 将图片灰度化处理,降维,加权进行灰度化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处理数据，k过滤条件
   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:  # 纯白色
                   count += 1
       return count

#     两层for循环判断所有的点
   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)  # 获取邻居数量，纯白色的邻居
               if n > k:
                   img2[x, y] = 255
   return img2

result = remove_noise(gray2)
cv2.imshow('8neighbors', result)

cv2.waitKey(0)
cv2.destroyAllWindows()

四、验证码的识别

通常我们会使用tesserocr识别验证码，但是这个库有很大的局限性，识别率低，即时降噪效果很好，有很少的线条，也会不准确，这种识别方式并不十分推荐

所以我们一般会使用第三方的接口进行识别，比如阿里的图片识别、腾讯也都是有的

这些第三方接口需要自己接入识别接口

#识别降噪后的图片
code = tesserocr.image_to_text(nrImg)

#消除空白字符
code.strip()

#打印
print(code)

来源：https://blog.csdn.net/weixin_41635750/article/details/119950411