搜索

[12428] 2018-03-05_使用Python和Tesseract来识别图形验证码

文档创建者：s7ckTeam
浏览次数：22
最后更新：2025-01-18
2018-03-05_使用Python和Tesseract来识别图形验证码 使 用 P y t h o n 和 T e s s e r a c t 来 识 别 图 形 验 证 码 i p e n o x   F r e e B u f   2 0 1 8 - 0 3 - 0 5 * 本 文 原 创 作 者 ： 本 文 原 创 作 者 ： i p e n o x ， 本 文 属 ， 本 文 属 F r e e B u f 原 创 奖 励 计 划 ， 未 经 许 可 禁 止 转 载 原 创 奖 励 计 划 ， 未 经 许 可 禁 止 转 载 各 位 在 企 业 中 做 各 位 在 企 业 中 做 W e b 漏 洞 扫 描 或 者 渗 透 测 试 的 朋 友 ， 可 能 会 经 常 遇 到 需 要 对 图 形 验 证 码 进 行 程 序 识 别 的 需 求 。 漏 洞 扫 描 或 者 渗 透 测 试 的 朋 友 ， 可 能 会 经 常 遇 到 需 要 对 图 形 验 证 码 进 行 程 序 识 别 的 需 求 。 很 多 时 候 验 证 码 明 明 很 简 单 （ 对 于 非 互 联 网 企 业 ， 或 者 企 业 内 网 中 的 应 用 来 说 特 别 如 此 ） ， 但 因 为 没 有 趁 手 的 很 多 时 候 验 证 码 明 明 很 简 单 （ 对 于 非 互 联 网 企 业 ， 或 者 企 业 内 网 中 的 应 用 来 说 特 别 如 此 ） ， 但 因 为 没 有 趁 手 的 识 别 库 ， 也 只 能 苦 哈 哈 地 进 行 人 肉 识 别 ， 或 者 无 奈 地 放 弃 任 务 。 在 这 里 ， 我 分 享 一 下 自 己 使 用 识 别 库 ， 也 只 能 苦 哈 哈 地 进 行 人 肉 识 别 ， 或 者 无 奈 地 放 弃 任 务 。 在 这 里 ， 我 分 享 一 下 自 己 使 用 P y t h o n 和 开 源 的 和 开 源 的 t e s s e r a c t   O C R 引 擎 做 验 证 码 识 别 的 经 验 ， 并 提 供 相 关 的 源 代 码 和 示 例 供 大 家 借 鉴 。 引 擎 做 验 证 码 识 别 的 经 验 ， 并 提 供 相 关 的 源 代 码 和 示 例 供 大 家 借 鉴 。 一 、 关 于 图 形 验 证 码 识 别 与 一 、 关 于 图 形 验 证 码 识 别 与 t e s s e r a c t O C R 尽 管 多 数 图 型 验 证 码 只 有 区 区 几 个 数 字 或 字 母 ， 但 你 可 能 听 说 了 ， 在 进 行 机 器 识 别 的 过 程 中 ， 你 要 收 集 样 本 ， 对 图 片 去 噪 、 二 值 化 、 提 取 字 符 、 计 算 特 征 ， 甚 至 还 要 祭 出 神 经 网 络 去 训 练 数 据 进 行 机 器 学 习 … … 还 没 开 干 ， 退 堂 鼓 早 打 响 三 遍 了 。 其 实 我 根 本 不 想 去 钻 研 那 么 多 高 深 的 理 论 ， 只 想 要 寥 寥 数 行 P y t h o n 代 码 就 搞 定 它 ， 然 后 把 主 要 精 力 投 入 到 更 重 要 的 渗 透 测 试 中 去 。 在 这 种 情 况 下 ， t e s s e r a c t 就 能 帮 上 大 忙 了 。 T e s s e r a c t 的 O C R 引 擎 最 早 是 H P 实 验 室 开 发 的 ， 曾 经 是   O C R 业 内 最 准 确 的 三 款 识 别 引 擎 之 一 。 2 0 0 5 年 该 引 擎 交 给 了 G o o g l e ， 作 为 开 源 项 目 发 布 在 G o o g l e   P r o j e c t 上 了 。 T e s s e r a c t 提 供 独 立 程 序 和 A P I 两 种 形 式 供 用 户 使 用 。 纯 白 色 背 景 、 字 符 规 整 无 干 扰 像 素 的 验 证 码 图 片 可 以 直 接 调 用 t e s s e r a c t 程 序 来 进 行 识 别 。 如 要 更 方 便 灵 活 地 在 自 己 的 程 序 中 进 行 识 别 ， 则 可 以 使 用 t e s s e r a c t 的 A P I 。 二 、 二 、 T e s s e r a c t 的 编 译 和 安 装 的 编 译 和 安 装 T e s s e r a c t 的 项 目 主 页 （ h t t p s : / / g i t h u b . c o m / t e s s e r a c t - o c r / t e s s e r a c t ） 上 w i k i 中 有 详 细 的 编 译 安 装 步 骤 ， 大 家 可 以 参 考 ， 本 文 中 我 们 将 以 3 . 0 5 . 0 1 版 本 为 基 础 。 我 的 系 统 环 境 是 R H E L   7 . 4 ， 6 4 位 版 本 。 首 先 用 y u m 安 装 各 种 依 赖 的 图 形 库 ， 然 后 用 源 码 安 装 L e p t o n i c a （ 官 方 主 页 h t t p : / / w w w . l e p t o n i c a . c o m / d o w n l o a d . h t m l ， 版 本 需 要 1 . 7 4 以 上 ） ， 编 译 安 装 很 简 单 ， 解 压 后 ， 以 默 认 参 数 依 次 执 行 c o n f i g u r e , m a k e , m a k e   i n s t a l l 命 令 即 可 。 安 装 完 之 后 需 执 行 ： 不 然 在 下 一 步 t e s s e r a c t 的 c o n f i g u r e 脚 本 会 报 找 不 到 L e p t o n i c a 。 将 t e s s e r a c t 的 源 码 解 压 后 进 入 到 源 码 主 目 录 下 依 次 执 行 ： 即 可 成 功 安 装 。 根 据 项 目 w i k i ， D a t a   F i l e s 节 的 指 南 下 载 相 应 的 数 据 文 件 ， 因 为 我 们 只 识 别 英 文 和 数 字 验 证 码 ， 所 以 下 载 3 . 0 4 / 3 . 0 5 版 本 的 英 语 文 件 e n g . t r a i n e d d a t a 即 可 ， 下 载 后 放 到 / u s r / l o c a l / s h a r e / t e s s d a t a 目 录 下 。 至 此 ， t e s s e r a c t 就 安 装 完 毕 了 。 三 、 为 三 、 为 P y t h o n 封 装 封 装 t e s s e r a c t   A P I t e s s e r a c t 提 供 的 是 C + +   A P I （ 接 口 界 面 是 T e s s B a s e A P I 类 ） ， 最 核 心 的 函 数 就 是 T e s s B a s e A P I : : T e s s e r a c t R e c t 这 个 函 数 。 为 了 能 在 P y t h o n 中 方 便 地 使 用 ， 我 将 其 封 装 为 P y t h o n 模 块 了 ， 详 细 代 码 放 在 g i t h u b 上 ： h t t p s : / / g i t h u b . c o m / p e n o x c n / D e c a p t c h a 。 该 模 块 名 为 d e c a p t c h a ， 源 文 件 包 括 以 下 四 个 文 件 ： s e t u p . p y 、 d e c a p t c h a . i 、 d e c a p t c h a . h 和 d e p c a p t c h a . c p p 。 e x p o r t P K G _ C O N F I G _ P A T H = / u s r / l o c a l / l i b / p k g c o n f i g . / a u t o g e n . s h . / c o n f i g u r e - - w i t h - e x t r a - l i b r a r i e s = / u s r / l o c a l / l i b m a k e m a k e   i n s t a l l
将 以 上 文 件 放 在 同 一 个 临 时 目 录 下 ， 然 后 执 行 以 下 命 令 进 行 编 译 和 安 装 ： 安 装 时 需 要 调 用 s w i g 命 令 ， 所 以 系 统 需 要 先 安 装 s w i g 。 如 果 t e s s e r a c t 不 是 安 装 在 默 认 的 路 径 下 ， 请 参 照 s e t u p . p y 代 码 自 行 修 改 相 关 的 头 文 件 和 库 文 件 的 路 径 即 可 。 安 装 完 之 后 进 入 P y t h o n 交 互 环 境 试 着 i m p o r t 一 下 看 是 否 正 常 ： 如 果 报 错 找 不 到 l i b t e s s e r a c t ， 那 可 能 是 t e s s e r a c t 的 库 目 录 ( / u s r / l o c a l / l i b ) 没 有 在 P y t h o n 的 库 搜 索 目 录 中 。 这 时 候 可 以 将 t e s s e r a c t 的 库 目 录 添 加 到 系 统 的 / e t c / l d . s o . c o n f 文 件 中 （ 加 了 之 后 需 要 执 行 l d c o n f i g 命 令 以 生 效 ） ； 或 者 每 次 i m p o r t d e c a p t c h a 模 块 之 前 ， 都 先 执 行 以 下 P y t h o n 代 码 ： 四 、 安 装 四 、 安 装 P y t h o n   P I L 库 库 P I L 的 全 称 是 P y t h o n   I m a g i n g   L i b r a r y ， 是 一 个 强 大 而 易 用 的 图 像 库 。 在 其 主 页 （ h t t p : / / p y t h o n w a r e . c o m / p r o d u c t s / p i l / ） 下 载 最 新 版 （ 截 止 目 前 是 1 . 1 . 7 ） 源 代 码 进 行 安 装 。 安 装 之 前 确 保 系 统 已 安 装 了 p n g / j p e g / t i f f 等 图 像 库 。 解 压 缩 之 后 ， 在 主 目 录 下 执 行 p y t h o n   s e t u p . p y   i n s t a l l 即 可 。 使 用 很 简 单 ， 下 面 的 代 码 片 段 从 任 意 格 式 图 片 文 件 创 建 一 个 I m a g e 对 象 ， 进 行 格 式 转 换 ， 获 得 其 大 小 和 像 素 数 组 ， 只 需 几 行 代 码 ： 五 、 实 战 验 证 码 识 别 五 、 实 战 验 证 码 识 别 至 此 ， 进 行 图 形 验 证 码 识 别 的 依 赖 环 境 都 已 准 备 好 ， 我 们 可 以 开 干 了 。 识 别 的 流 程 简 单 来 说 如 下 ： 1 .   用 I m a g e 加 载 图 像 ， 转 为 R G B A 格 式 ， 然 后 获 取 像 素 数 据 ； 2 .   将 R G B A 格 式 的 像 素 数 据 转 换 为 0 和 1 的 字 节 串 （ 其 实 就 是 二 值 化 处 理 ） ； 3 .   调 用 d e c a p t c h a 模 块 进 行 图 像 识 别 ， 获 得 验 证 码 字 符 串 实 际 的 代 码 也 非 常 简 单 ， 请 看 我 项 目 D e c a p t c h a 目 录 下 的 d e c a p t c h a _ t e s t . p y 文 件 ， 关 键 代 码 也 就 十 几 行 。 影 响 代 码 长 短 或 复 杂 性 的 ， 就 是 二 值 化 这 一 步 了 。 其 实 很 多 图 形 验 证 码 比 较 简 单 ， 细 心 分 析 一 下 ， 不 难 得 出 二 值 化 的 条 件 。 下 面 以 我 工 作 中 遇 到 过 的 一 些 验 证 码 为 例 ： p y t h o n   s e t u p . p y   i n s t a l l f r o m   d e c a p t c h a   i m p o r t   D e c a p t c h a i m p o r t   s y s s y s . p a t h . a p p e n d ( " / u s r / l o c a l / l i b " ) f r o m   P I L   i m p o r t   I m a g e i m g   =   I m a g e . o p e n ( ' t e s t . p n g ' )   #   Y o u r   i m a g e   h e r e !     i m g   =   i m g . c o n v e r t ( " R G B A " )   p i x d a t a   =   i m g . l o a d ( )   w i d t h , h e i g h t   =   i m g . s i z e p r i n t   ' i m g s i z e :   % d x   % d '   %   ( w i d t h ,   h e i g h t ) p r i n t ' p i x e l [ 2 , 4 ] : ' ,   p i x d a t a [ 2 ,   4 ]   # e g , ( 0 x D 3 , 0 x D 3 , 0 x D 3 , 0 x F F )
有 5 组 ， 均 来 自 于 我 公 司 的 不 同 业 务 网 站 。 识 别 代 码 请 参 看 我 项 目 目 录 下 d e c a p t c h a _ d e m o . p y 文 件 ， 所 有 的 示 例 验 证 码 放 在 i m a g e s 目 录 下 。 大 家 可 以 用 图 片 编 辑 器 打 开 相 关 的 验 证 码 文 件 观 察 和 分 析 像 素 的 规 律 。 第 一 组 a a 系 列 ， 字 符 颜 色 偏 白 ， 背 景 偏 黑 ， 所 以 可 试 着 以 像 素 R G B 均 值 （ 或 总 和 ） 大 于 某 个 数 值 为 条 件 进 行 转 换 ： r + g + b > = 4 8 0 则 为 1 ， 否 则 为 0 。 第 二 组 b b 系 列 ， 字 符 有 颜 色 ， 背 景 偏 白 色 ， 转 换 条 件 考 虑 为 R G B 中 是 否 有 两 个 要 素 大 于 0 x f 0 ： i n t ( r / 2 4 0 ) + i n t ( g / 2 4 0 ) + i n t ( b / 2 4 0 )   < = 1 则 为 1 ， 否 则 为 0 。 第 三 组 c c 系 列 ， 字 符 和 背 景 都 是 单 色 ， 但 是 有 不 固 定 位 置 的 点 干 扰 ， 干 扰 点 颜 色 与 字 符 颜 色 相 同 ， 但 是 都 是 离 散 的 。 这 种 情 况 下 ， 像 素 是 白 色 的 就 是 背 景 0 ， 否 则 再 判 断 一 下 是 否 离 散 的 点 ， 可 以 简 单 地 判 断 它 右 边 和 下 边 的 点 是 否 都 是 白 色 背 景 来 判 定 。 第 四 组 d d 系 列 ， 字 符 颜 色 偏 紫 色 ， 并 且 有 背 景 干 扰 线 。 通 过 将 一 些 样 本 图 片 的 每 个 像 素 的 R G B 值 打 印 出 来 ， 确 赫 然 发 现 字 符 像 素 的 G 通 道 值 都 为 0 ， 其 它 情 况 要 么 是 背 景 ， 要 么 是 干 扰 线 。 第 五 组 e e 系 列 是 最 复 杂 的 ， 有 干 扰 线 ， 干 扰 点 ， 字 符 也 有 变 形 ， 颜 色 也 不 固 定 。 实 际 上 它 来 源 于 一 个 叫 做 s e c u r i m a g e 的 p h p 库 所 产 生 ， 恐 怕 不 能 一 两 行 代 码 就 二 值 化 了 。 但 是 仔 细 观 察 它 的 模 式 会 发 现 ， 它 的 大 背 景 、 干 扰 线 、 干 扰 点 、 字 符 都 是 用 同 一 种 颜 色 产 生 。 所 以 我 们 可 以 以 统 计 数 量 的 方 式 来 找 出 哪 些 是 背 景 颜 色 （ 出 现 次 数 最 多 的 自 然 是 背 景 颜 色 ） 。 另 外 我 们 再 统 计 每 个 字 符 的 颜 色 与 背 景 颜 色 的 偏 差 ( 将 r g b 差 值 的 平 方 加 起 来 ) ， 找 出 干 扰 线 、 字 符 与 背 景 色 的 偏 差 值 的 阈 值 范 围 ， 再 将 其 在 二 值 化 的 时 候 进 行 应 用 ， 也 可 以 成 功 地 将 其 二 值 化 。 而 字 符 变 形 的 问 题 则 不 需 要 担 心 ， 交 给 t e s s e r a c t 就 可 以 了 。 在 二 值 化 的 时 候 ， 我 在 屏 幕 上 用 #   符 号 打 印 出 了 二 值 化 后 的 图 像 ， 大 家 可 以 看 下 效 果 ： 验 证 码 实 际 是 5 6 4 8 ， 识 别 为 5 6 4 9 ， 错 了 一 位 。 p y t h o n   d e c a p t c h a _ d e m o . p y   a a   a a 1 . g i f
下 面 来 个 正 确 识 别 的 ： 第 五 组 的 识 别 情 况 ： 因 图 片 有 点 长 ， 超 过 了 终 端 的 列 数 ， 故 输 出 到 t x t 文 件 后 再 用 n o t e p a d + + 打 开 的 ： 验 证 码 实 际 是 9 1 2 0 6 5 ， 识 别 为 9 1 2 0 8 5 ， 错 了 一 位 。 再 看 看 总 体 成 绩 如 何 ： a a 组 1 0 个 验 证 码 ， 整 体 正 确 识 别 的 有 5 个 。 b b 组 1 0 个 验 证 码 ， 整 体 正 确 识 别 的 3 个 。 c c 组 1 0 个 验 证 码 ， 整 体 正 确 识 别 的 9 个 。 p y t h o n   d e c a p t c h a _ d e m o . p y   b b   b b 1 . j p g p y t h o n   d e c a p t c h a _ d e m o . p y   e e   e e 9 . p n g   >   1 . t x t
d d 组 1 0 个 验 证 码 ， 整 体 正 确 识 别 的 3 个 。 e e 组 1 0 个 验 证 码 ， 整 体 正 确 识 别 的 4 个 。 a a 组 、 c c 组 和 e e 组 识 别 得 还 可 以 ， 没 有 识 别 出 来 的 多 数 仅 错 了 一 个 字 符 。 而 b b 和 d d 组 识 别 得 较 差 ， 没 有 识 别 出 来 的 可 能 都 错 了 两 三 个 字 符 。 这 份 成 绩 单 ， 咋 看 之 下 ， 有 些 朋 友 可 能 觉 得 很 不 好 看 。 但 是 ， 请 不 要 太 悲 观 ， 要 想 想 投 入 产 出 比 ， 大 多 数 情 况 下 ， 除 了 固 定 的 模 式 化 代 码 外 ， 我 们 只 需 要 编 写 寥 寥 几 行 二 值 化 的 代 码 就 可 以 收 获 输 出 了 啊 ， 这 意 味 着 在 测 试 时 ， 程 序 自 动 化 就 可 以 搞 了 啊 ： 不 求 百 分 之 一 百 ， 只 求 十 里 有 一 发 。 即 使 只 有 3 0 % 的 识 别 率 ， 连 续 识 别 5 个 图 片 ， 获 得 其 中 一 个 准 确 识 别 的 概 率 也 达 到 了 8 6 % ， 无 非 多 浪 费 一 些 W e b 请 求 而 已 。 因 为 I m a g e 库 支 持 从 内 存 中 加 载 图 片 ， 所 以 与 r e q u e s t s 库 的 结 合 也 是 非 常 的 方 便 ， 直 接 通 过 H T T P 请 求 下 载 下 来 ， 将 内 容 丢 给 I m a g e 就 可 以 了 ： 是 不 是 很 简 单 很 愉 快 ？ 六 、 后 记 六 、 后 记 通 过 以 上 的 例 子 和 代 码 ， 大 家 可 以 初 探 t e s s e r a c t 的 能 力 。 实 际 上 t e s s e r a c t 支 持 学 习 ， 通 过 样 本 训 练 ， 可 以 大 幅 提 高 它 的 识 别 准 确 率 ， 当 然 这 个 过 程 就 有 点 复 杂 了 ， 也 不 符 合 本 文 追 求 敏 捷 的 宗 旨 。 经 过 多 年 的 技 术 对 抗 ， 传 统 的 图 片 验 证 码 已 经 显 得 过 时 了 ， 但 仍 有 很 多 企 业 网 站 在 大 量 使 用 ， 希 望 本 文 能 够 给 大 家 一 些 启 发 和 帮 助 。 * 本 文 原 创 作 者 ： 本 文 原 创 作 者 ： i p e n o x ， 本 文 属 ， 本 文 属 F r e e B u f 原 创 奖 励 计 划 ， 未 经 许 可 禁 止 转 载 原 创 奖 励 计 划 ， 未 经 许 可 禁 止 转 载 阅 读 原 文 i m p o r t   r e q u e s t s ， S t r i n g I O r   = r e q u e s t s . g e t ( i m g u r l ) i m g b u f   =   S t r i n g I O . S t r i n g I O ( r . c o n t e n t ) i m g   = I m a g e . o p e n ( i m g b u f )
回复

举报

高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver| 手机版| 小黑屋|
Powered by Discuz! X3.4 Copyright © 2001-2020, Tencent Cloud. 商业源码建议获取授权，如侵犯您的权益，请联系客服处理