这篇教程python自动化操作之动态验证码、滑动验证码的降噪和识别写得很实用，希望能帮到您。
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 webdriverfrom 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').locationsize = driver.find_element_by_id('login_yzm_img').sizeleft = 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cgray = 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cgray = 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cgray = 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)
总结到此这篇关于python自动化操作之动态验证码、滑动验证码的降噪和识别的文章就介绍到这了,更多相关python动态验证码降噪和识别内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python图片验证码降噪和8邻域降噪
python中super()函数的理解与基本使用 |
