近来，一个朋友请我帮他在某个网站投票。投票程序设立了验证码，并且限制每个IP每天只能投一票。我是在debian sarge 3.1下面通过ADSL拨号上网的，IP限制可以通过重新拨号轻松搞定。网上有人说使用代理也可以，但是我找了很久，发现网上列出的大部分代理服务器都已 经无法访问。好了，下面的问题主要就是识别验证码和自动投票了。
网上有很多关于验证码识别的方法和思路，不过大部分都是在windows下面运行的。在linux下面有一个很有名的图片处理软件叫imagemagick。这个软件支持非常多的图片格式已经更多的图片处理方法，请看这里的图片效果：
我 的思路是，首先找到含有验证码的图片，把背景、杂色、条纹等干扰因素去掉，并把图片转化为黑白象素，以便于处理。然后分析图片上每个文字的位置，精确的把 整个图片分割成包含每个文字的小图片。我关注的这个投票网站上的验证码是有0到9这十个数字构成了，我就用GIMP——是的，GIMP是linux下面不 可多得的图像处理软件——打开验证码图片，把十个数字一一截取下来，并且分别命名为0.jpg到9.jpg。截取的时候一定要注意，每个文字最好留一点边 框，并且在截取后的小图片上要居中，这样更利于排除干扰，提高识别率。为了提高准确率，我把用GIMP把验证码放大到1600倍以后对每个象素进行处理。 等要识别图片上验证码的时候，使用相同的位置截取图片上的文字，然后和刚才保存的十个小图片一一对比，与之差异最小的那个图片的序号就是该位置上的文字 了。ImageMagick在命令行下面运行，支持MAE，MSE，PSE，PSNR，RMSE等多种比较方式。根据图片中干扰的情况，选择一种最合适的 方式，或者用多种方式逐步处理以后进行比较，验证码就可以轻松识别了。
至于识别验证码后进行自动灌水就很简单了。linux下面有一个更强大的工具curl，它可以通过HTTP，FTP，HTTPS等多种方式访问远程服务器，自动上传或下载数据。首先用curl查看其HTTP头信息
上面所说的很罗嗦，还是看我写的代码吧（源网址被改成了xxxx.com）
代码中第三行表示把整个程序的输出重定向到文件，可以用于无人值守的批量运行时。如果程序中有很多输入，这样做就可以不必逐一对每个输出的重定向了。
下 面是parse函数，用于对获取到的图片进行识别。分析时，首先截取图片的预定区域，并与准备好的小图片逐一比较，取参数中的最值，其对应的小图片就是该 位置的文字了。比较时使用到了浮点运算，这是bash的弱势所在，所以要用bc进行高精度计算。比较两个图片所用的compare命令支持很复杂的参数和 诸如MAE，MSE，PSE，PSNR，RMSE等多种方式，这里只是用了其中一种。
函数之后就是程序的主循环部分。每次循环时都把adsl断线并重新拨号。从拨号成功到数据能够正常传输之间可能有一段延误时间，所以要sleep一会儿。
下面的第一个curl有两个作用：首先，它从目标网站获取含有验证码的图片；另外，它还取得了当前连接的cookie，并且初始化服务器端的session。其中的-j参数表示每次拨号都抛弃以前的cookie。
第 二个curl使用了刚才取得的cookie，使用post方法向目标站点提交投票数据。其中的name是投票人的姓名，投票程序规定相同的名字只能投一 票，所以我干脆把用时间来表示了。在投票以后的返回页面中检查“投票成功”四个字，如果有则表示本次投票已成功，计数器加一。第55行的$?就表示上一个 命令的返回值：找到关键词时返回0。
每次操作结束以后都要把临时文件删除，同时更新状态行。echo命令加上-n参数表示输出信息后不换行；再加上一个控制字符/r，可以不断更新当前的提示行，而不是一行一行的输出程序运行结果，这样看起来更简洁一些。
网上有很多关于验证码识别的方法和思路，不过大部分都是在windows下面运行的。在linux下面有一个很有名的图片处理软件叫imagemagick。这个软件支持非常多的图片格式已经更多的图片处理方法，请看这里的图片效果：
我 的思路是，首先找到含有验证码的图片，把背景、杂色、条纹等干扰因素去掉，并把图片转化为黑白象素，以便于处理。然后分析图片上每个文字的位置，精确的把 整个图片分割成包含每个文字的小图片。我关注的这个投票网站上的验证码是有0到9这十个数字构成了，我就用GIMP——是的，GIMP是linux下面不 可多得的图像处理软件——打开验证码图片，把十个数字一一截取下来，并且分别命名为0.jpg到9.jpg。截取的时候一定要注意，每个文字最好留一点边 框，并且在截取后的小图片上要居中，这样更利于排除干扰，提高识别率。为了提高准确率，我把用GIMP把验证码放大到1600倍以后对每个象素进行处理。 等要识别图片上验证码的时候，使用相同的位置截取图片上的文字，然后和刚才保存的十个小图片一一对比，与之差异最小的那个图片的序号就是该位置上的文字 了。ImageMagick在命令行下面运行，支持MAE，MSE，PSE，PSNR，RMSE等多种比较方式。根据图片中干扰的情况，选择一种最合适的 方式，或者用多种方式逐步处理以后进行比较，验证码就可以轻松识别了。
至于识别验证码后进行自动灌水就很简单了。linux下面有一个更强大的工具curl，它可以通过HTTP，FTP，HTTPS等多种方式访问远程服务器，自动上传或下载数据。首先用curl查看其HTTP头信息
从第19行中可以看出，改站点使用了JSESSION这个cookie。查看投票页面的源代码，我发现投票时使用了POST方法，有五个表单项目需要提交。我把这些都记录下来，构成一个POST字符串就可以了。
1 * About to connect() to xxxx.com port 80
2 * Trying xxx.xxx.xxx.xxx... * connected
3 * Connected to xxxx.com (xxx.xxx.xxx.xxx) port 80
4 > GET / HTTP/1.1
5 User-Agent: curl/7.13.1 (debian-linux-gnu) libcurl/7.13.1 OpenSSL/0.9.7e zlib/1.2.2.2 libidn/0.5.13
6 Host: xxxx.com
7 Pragma: no-cache
8 Accept: */*
9
10 < HTTP/1.1 302 Moved Temporarily
11 < Via: 1.1 PROXY
12 < Connection: Keep-Alive
13 < Proxy-Connection: Keep-Alive
14 < Transfer-Encoding: chunked
15 < Date: Tue, 04 Jul 2006 05:55:16 GMT
16 < Location: http://xxxx.com/queryVote.do?type=netvotes&Group=1
17 < Content-Type: text/html;charset=gb2312
18 < Server: WebLogic Server 8.1 SP2 Fri Dec 5 15:01:51 PST 2003 316284
19 < Set-Cookie: JSESSIONID=EqCEDyCC2JGex2sLoT231l6NP38OStZaFf9zLSHUxb2MxrqLBE1i!1559900188; path=/
20
21 <html>
22 <head>
23 <meta http-equiv="Content-Type" content="text/html; charset=gb2312">
24 <title>xxxx</title>
25 </head>
26 <body bgcolor="#FFFFFF">
27 ...
28 </body>
29 </html>
30
31 </html>
32 * Connection #0 to host xxxx.com left intact
33 * Closing connection #0
34
上面所说的很罗嗦，还是看我写的代码吧（源网址被改成了xxxx.com）
1 #!/bin/bash
2
3 #exec 1> curl.log
4
5 function parse
6 {
7 ret=
8 file=$1
9 convert $file.jpeg -crop 9x13+1+2 $file-a.jpeg
10 convert $file.jpeg -crop 9x13+10+2 $file-b.jpeg
11 convert $file.jpeg -crop 9x13+19+2 $file-c.jpeg
12 convert $file.jpeg -crop 9x13+28+2 $file-d.jpeg
13 for pic in {a,b,c,d}
14 do
15 dB=1000000000 # a very high value
16 value=10
17 for num in {0,1,2,3,4,5,6,7,8}
18 do
19 curr=`compare -metric PSE $file-$pic.jpeg xj-$num.jpeg null: | awk '{print $1}'`
20 small=`echo "$curr < $dB" | bc`
21 if [ $small -eq 1 ]; then
22 value=$num
23 dB=$curr
24 fi
25 done
26 ret=$ret$value
27 done
28 rm -fr $file-[abcd].jpeg
29 echo $ret
30 }
31
32
33 hit=0
34 for((i=1;i<10000;i++))
35 do
36 pon dsl-provider > /dev/null 2> curl.log
37 sleep 3
38 curl -s /
39 -c cookie /
40 -j /
41 -A "Mozilla/4.0" /
42 http://xxxx.com/MakeEXPWD > code.jpeg
43 code=$(parse code)
44 curl -s /
45 -b cookie /
46 -d "tid=35" /
47 -d "name=jerry$(date +%s)" /
48 -d "certify=310902790504054" /
49 -d "tele=23493451" /
50 -d "authcode=$code" /
51 -d "send=%20" /
52 -e http://xxxx.com/VoteForm.jsp?tID=35 /
53 -A "Mozilla/4.0" /
54 http://xxxx.com/vote.do | grep -q '投票成功'
55 if [ $? -eq 0 ]; then
56 hit=$(($hit + 1))
57 echo -n -e "Total: $i, Hit $hit, Last: $code/r"
58 else true
59 fi
60 rm -fr code.jpeg
61 poff dsl-provider > /dev/null 2> curl.log
62 done
63 exit 0
64
代码中第三行表示把整个程序的输出重定向到文件，可以用于无人值守的批量运行时。如果程序中有很多输入，这样做就可以不必逐一对每个输出的重定向了。
下 面是parse函数，用于对获取到的图片进行识别。分析时，首先截取图片的预定区域，并与准备好的小图片逐一比较，取参数中的最值，其对应的小图片就是该 位置的文字了。比较时使用到了浮点运算，这是bash的弱势所在，所以要用bc进行高精度计算。比较两个图片所用的compare命令支持很复杂的参数和 诸如MAE，MSE，PSE，PSNR，RMSE等多种方式，这里只是用了其中一种。
函数之后就是程序的主循环部分。每次循环时都把adsl断线并重新拨号。从拨号成功到数据能够正常传输之间可能有一段延误时间，所以要sleep一会儿。
下面的第一个curl有两个作用：首先，它从目标网站获取含有验证码的图片；另外，它还取得了当前连接的cookie，并且初始化服务器端的session。其中的-j参数表示每次拨号都抛弃以前的cookie。
第 二个curl使用了刚才取得的cookie，使用post方法向目标站点提交投票数据。其中的name是投票人的姓名，投票程序规定相同的名字只能投一 票，所以我干脆把用时间来表示了。在投票以后的返回页面中检查“投票成功”四个字，如果有则表示本次投票已成功，计数器加一。第55行的$?就表示上一个 命令的返回值：找到关键词时返回0。
每次操作结束以后都要把临时文件删除，同时更新状态行。echo命令加上-n参数表示输出信息后不换行；再加上一个控制字符/r，可以不断更新当前的提示行，而不是一行一行的输出程序运行结果，这样看起来更简洁一些。
378
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
