验证码识别（Python）

图形验证码识别

        图形验证码最早出现，也很常见，一般由4个字母或者数字组成。例如，中国知网注册页面采用的就是图形验证码，链接为http://my.cnki.net/elibregister/commonRegister.aspx，页面如下：

该注册页面表单最后一项就是图形验证码，必须正确输入图形验证码才可以完成注册。该图形验证码其实是一张图片，上面是经过变形的4个大写字母，并加入了一些干扰，可以点击此验证码图片和“换一张”更新验证码。 先下载两张图形验证码，如图：

 环境准备：

（1）Python 3.6.5；

（2）pillow，tesserocr；

（3）Tesseract-OCR：https://digi.bib.uni-mannheim.de/tesseract/，tesseract-ocr-w64-setup-v4.0.0.20181030.exe，安装时选择所有的语言包，tessdata目录拷贝到Python主目录。

先来识别第一张“W875”的图形验证码，程序很简单，如下：

import tesserocr
from PIL import Image as Img

image = Img.open('images/W875.jpg')
result = tesserocr.image_to_text(image)
print(result)

程序运行结果：

结果很正确，两行代码搞定！再使用该方法继续识别第二张验证码，程序类似，如下：

import tesserocr
from PIL import Image as Img

image = Img.open('images/PRUT.jpg')
result = tesserocr.image_to_text(image)
print(result)

程序运行结果：

程序运行结果比验证码多个一些字符。 识别存在错误也是正常的，从来没有百分之百的识别，只有接近百分之百的识别。识别错误的原因就是图片周围有一些干扰，下面我们去除干扰后进行识别。彩色验证码一般是由RGB三个值构成的，需要先将验证码转换成灰度图片（0~255），然后再二值化转换成黑白图片（0和1）。程序如下：

import tesserocr
from PIL import Image as Img

image = Img.open('images/PRUT.jpg')
image = image.convert('L')
threshold = 120
table = [0] * threshold + [1] * (256 - threshold)
image = image.point(table, '1')
image.save('images/BinarizedPRUT.jpg')
result = tesserocr.image_to_text(image)
print(result)

经过灰度化处理后的验证码，如下：

可以看到背景干扰已经处理掉，图片有些失真，但不影响识别效果，程序运行结果：

---

极验滑动验证码识别

        极验验证码官网链接https://www.geetest.com/，它是全球交互安全创领者，专注于提供验证安全的企业。主要验证方式是拖动滑块拼合图像。若图像完全拼合，则验证成功，否则需要重新验证。大家平时上网也经常会遇到。我们以国家企业信用信息公示系统为例，链接：http://www.sgs.gov.cn/notice/。打开页面，如图：

 说白了，计算机其实是模拟人的上网行为，模拟的越像越智能。下面来看，我们是如何来查询企业信用的，分几个步骤：

（1）打开浏览器，输入网址http://www.sgs.gov.cn/notice/，打开国家企业信用信息公示系统；

（2）再输入框中输入企业名称，比如“中国长城工业上海有限公司”，如图：

（3）企业名称输入没问题后，点击查询按钮，如图：

此时就出现了极验验证码指示图，这里还不是真正的极验验证码，它其实是极验验证码操作指导。看到图片上的小手指向滑块，忍不住会用鼠标点击滑块，触碰后，如图：

图片立即出现了一个缺口，缺口图片在缺口正左方。

（4）向右拖动滑块，慢慢与缺口重合，完成验证码拼合，成功拼合后，如图：

这里我猜你拖动滑块的速度至少经历了三个阶段，刚刚点击滑块时，先是慢慢移动，然后会快速移动，快到缺口附近时，你又降下速度来慢慢移动。在程序中，我们会模拟移动速度变化，有两个方案，第一个，随机移动，以中间为界先快后慢，第二个，加减速移动，使用物理加速度构建加速和减速模型。后面我们采用第一种方法。

（5）点击第一条查询结果，打开“中国长城工业上海有限公司”企业信用，如图：

在银行贷款等业务中，企业信用信息是参考因素之一，如果每个企业来办理贷款，都要去查询势必繁琐，而且效率低下，如果能将这些企业信息采集下来保存，并用于构建企业立体画像，然后再用于贷款是非常方便的。下面我们来用程序模拟人的整个查询流程。

环境准备：

（1）Python 3.6.5；

（2）pillow，selenium；

（3）chromedriver：https://chromedriver.storage.googleapis.com/index.html，版本：70.0.3538.16，chromedriver.exe需要拷贝到Python/Scripts目录下；

（4）Chrome：版本 71.0.3578.98（正式版本） （32 位）。

完整程序如下：

import random
import time
import re
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from selenium.webdriver.common.by import By
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.action_chains import ActionChains
from PIL import Image
import requests
from io import BytesIO


class CrawlCoder(object):
    def __init__(self):
        self.browser = webdriver.Chrome()
        self.browser.set_window_size(1366, 768)
        self.wait = WebDriverWait(self.browser, 10, 0.5)

    def query(self):
        """根据输入的企业名称查询企业信用信息"""

        # 访问页面
        url = 'http://www.sgs.gov.cn/notice/'
        self.browser.get(url)
        # 等待查询输入框出现
        keyword_id = 'keyword'
        self.wait.until(EC.element_to_be_clickable((By.ID, keyword_id)))
        # 根据ID找到查询输入框，输入查询企业名称
        keyword_content = '中国长城工业上海有限公司'
        self.browser.find_element_by_id(keyword_id).send_keys(keyword_content)
        # 等待查询按钮出现
        button_id = 'buttonSearch'
        self.wait.until(EC.element_to_be_clickable((By.ID, button_id)))
        # 根据ID找到查询按钮，单击查询（此时等待验证码的滑块出现……）
        button = self.browser.find_element_by_id(button_id)
        button.click()

    def verify(self):
        """验证极验验证码"""
        
        self.query()
        # 等待滑块按钮出现
        slider_button_xpath = '//div[@class="gt_slider_knob gt_show"]'
        self.wait.until(EC.element_to_be_clickable((By.XPATH, slider_button_xpath)))
        # 根据xpath获取到滑块按钮，将鼠标移动到滑块按钮，等待1s
        # 鼠标触碰滑块才会出现有缺口的验证码
        slider_button = self.browser.find_element_by_xpath(slider_button_xpath)
        ActionChains(self.browser).move_to_element(slider_button).perform()
        time.sleep(1)

        # 根据切片坐标拼接图片
        cut_xpath = '//div[@class="gt_cut_bg_slice"]'
        full_xpath = '//div[@class="gt_cut_fullbg_slice"]'
        cut_image = self.get_code_image(cut_xpath, name='cut.jpg')
        full_image = self.get_code_image(full_xpath, name='full.jpg')

        # 根据两个图片计算偏移量
        distance = self.get_offset(cut_image, full_image)

        # 开始移动
        self.move(slider_button, distance)

        # 根据移动结果，进行重试
        self.retry()

    def retry(self):
        """重试策略"""

        try:
            error_xpath = '//div[@class="gt_ajax_tip gt_error"]'
            self.wait.until(EC.element_to_be_clickable((By.XPATH, error_xpath)))
            print("验证失败")
            return
        except TimeoutException as e:
            print(e)

        # 判断是否验证成功
        s = self.browser.find_elements_by_xpath('//*[@id="wrap1"]/div[3]/div/div/p')
        if len(s) == 0:
            print("滑动解锁失败,继续尝试")
            self.verify()
        else:
            print("滑动解锁成功")
            time.sleep(1)
            # 打开查询结果
            page_xpath = '//*[@id="wrap1"]/div[3]/div/div/div[2]'
            ss = self.browser.find_element_by_xpath(page_xpath).get_attribute("onclick")
            self.browser.find_element_by_xpath(page_xpath).click()
            print(ss)

    def get_code_image(self, xpath, name):
        """获取验证码图片

        :return 验证码图片
        :params
            xpath 验证码xpath
            name 验证码图片保存名称
        """
        # 获取验证码图片切片url和位置坐标列表
        # 每个切片url相同
        link = re.compile('background-image: url\("(.*?)"\); background-position: (.*?)px (.*?)px;')
        image_url = None
        location = []
        elements = self.browser.find_elements_by_xpath(xpath)
        for element in elements:
            style = element.get_attribute("style")
            groups = link.search(style)
            image_url = groups[1]
            x_pos = groups[2]
            y_pos = groups[3]
            location.append((int(x_pos), int(y_pos)))

        # 拼接图片
        response = requests.get(image_url)
        file = BytesIO(response.content)
        img = Image.open(file)
        # 创建一张画布，x_offset主要为新画布使用
        upper_offset = 0
        down_offset = 0
        canvas = Image.new("RGB", (img.width, img.height))
        for pos in location:
            x = pos[0]
            y = pos[1]
            if y == 0:
                # y值==0的图片属于上半部分，高度58
                image_crop = img.crop((abs(x), 0, abs(x) + 10, 58))
                canvas.paste(image_crop, (upper_offset, 58))
                upper_offset += image_crop.width
            if y == -58:
                # y值==-58的图片属于下半部分
                image_crop = img.crop((abs(x), 58, abs(x) + 10, img.height))
                canvas.paste(image_crop, (down_offset, 0))
                down_offset += image_crop.width
        canvas.save('images/'+name)
        return canvas

    # 计算距离
    @staticmethod
    def get_offset(cut_image, full_image):
        """计算缺口偏移量
        :return x 偏移量
        """
        for x in range(cut_image.width):
            for y in range(cut_image.height):
                cpx = cut_image.getpixel((x, y))
                fpx = full_image.getpixel((x, y))
                for i in range(3):
                    if abs(cpx[i] - fpx[i]) > 50:
                        img = cut_image.crop((x, y, x + 50, y + 40))
                        # 保存一下计算出来位置图片，看看是不是缺口部分
                        img.save("gap.jpg")
                        return x

    # 开始移动
    def move(self, slider_button, distance):
        """移动滑块"""
        # 这里就是根据移动进行调试，计算出来的位置不是百分百正确的，加上一点偏移
        distance -= slider_button.size.get('width') / 2
        distance += 15

        # 按下鼠标左键
        ActionChains(self.browser).click_and_hold(slider_button).perform()
        time.sleep(0.5)
        while distance > 0:
            if distance > 10:
                # 如果距离大于10，就让他移动快一点
                span = random.randint(5, 8)
            else:
                # 快到缺口了，就移动慢一点
                span = random.randint(2, 3)
            ActionChains(self.browser).move_by_offset(span, 0).perform()
            distance -= span
            time.sleep(random.randint(10, 50) / 100)

        ActionChains(self.browser).move_by_offset(distance, 0).perform()
        ActionChains(self.browser).release(on_element=slider_button).perform()


if __name__ == "__main__":
    coder = CrawlCoder()
    coder.verify()

按照上面我们分解的操作步骤不难理解程序，为了更好的理解程序，加入了很多单行注释，在Python编码规范中约定：单行注释尽量少用，主要是影响代码阅读速度；类的每个方法必须要注释，写明方法参数，返回值等。本程序比较简单，这里就省略了。坚信：程序被阅读的次数总会比书写的次数要多。程序运行过程，如图：

注意鼠标没动哦（在右上角）。整个过程自动完成。破解率接近100%。