reCAPTCHA项目

阅读更多

要说reCAPTCHA，就要先说一说CAPTCHA，全称是Completely Automated Public Turing test to tell Computers and Humans Apart，即全自动区分计算机和人类的图灵测试，也就是通常说的“验证码”，目的就是要把计算机和人区分开来。在互联网站上，为了防止不安全的、重复暴力的登陆密码破解等操作，需要使用验证码来将机器行为拒之门外。

验证码当然可以被识别，随着破解和反破解技术的发展，验证码的技术日新月异（简单的验证码很容易实现，在我刚开始学习JavaEE的时候，曾经写过一个验证码的实现程序）。最初对于验证码的机器识别，大多采用“规则”的方式来实现，而如今则利用给定破解成功和失败的数据集合，更多地采用机器学习的方式来实现。另一方面，也不要忽视“人工破解”的价值，比如利用一些非法运营的网站，吸引用户在登陆、下载等等行为以前，输入待破解的验证码，让用户来帮助破解验证码。

所谓reCAPTCHA，用官方自己的话来说，is a free anti-bot service that helps digitize books，即一个帮助数字化书籍的反机器服务。

对于一些数字时代以前的书籍、报纸，甚至电台节目，需要有人和工具来把它们一一解析成文字存储起来。如果本身以视频和图片的方式存储，占用大量存储不说，人类不易对其中的内容获得了解，也没有办法做进一步的统计、分析，以及索引和搜索等等。

传统的OCR（Optical Character Recognition，光学字符识别）方式对于一些字迹模糊的古老的文字材料，识别率非常低，至少在可以预见的未来，再先进的机器也无法达到人类识别文字的能力：

可以看到，OCR对于字母数量较多的单词识别效果较好，但是对于一些小品词，准确率非常低。

reCAPTCHA是怎样工作的？原理其实也非常简单，对于每次提供给用户的验证码，有一个词是纯粹的验证码部分，用以校验对方是否是人类；还有另一个词正是来自古老文献中的词语，对于通过验证码校验的用户，可以简单地认为他们对这部分古老文献词语的识别也是正确的（事实上这部分的识别率非常高，官方提供的数据是99.5%）。

大约每天都会有两亿个验证码被人类识别，粗略地说，大概每人次需要花费十秒钟的识别时间，单独看这确实很少，但是累计起来，相当于每天有十五万小时以上的工时，这也是reCAPTCHA得以利用它的重要原因。

如果你也想加入reCAPTCHA项目，比如为自己的网站增加reCAPTCHA的验证码，你可以阅读这部分文字。其实它的原始想法很简单，但是却是一个很有价值的项目，我的博客在评论部分已经使用了reCAPTCHA验证码，你现在就可以体验到；如果你要获取它的wordpress插件，你可以到这里找到。

文章系本人原创，转载请保持完整性并注明出自《四火的唠叨》