Python识别登录验证码

已于 2022-09-20 08:08:04 修改
阅读量3.6k 收藏 19
点赞数 5
文章标签： python
于 2022-01-16 16:33:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51642996/article/details/122524240
版权

174a7ad267b74bcf9de94f86fe73c23c.gif

Python识别登录验证码（附完整代码）

【项目介绍】

网络迅速在人类生活中扎根，我们每天都会不可避免地接触大量网站和碎片化的信息，为了保护用户的账号安全和防止信息泄露，很多网站通行的方式是设置登录验证码。生活中，我们在登录微博，邮箱的时候，常常会碰到验证码。在工作时，如果想要爬取一些数据，也会碰到验证码的阻碍。所以，在经过一学期的学习之后，打算体验利用Python工具集实现基本向量空间搜索引擎理论下的简单验证码图片内数字的读取。认识验证码的一些特性，并利用Python中的pillow库完成对验证码的破解。

验证码可以有效防止机器恶意注册，对某个用户帐号使用特定程序暴力破解的方式进行不断地登陆尝试。不少网站为了防止用户利用机器人自动注册、登录、灌水，都采用了验证码技术。基于一串随机产生的数字或符号生成一幅图片，图片中加入一些干扰像素（防止OCP）就生成了简单的验证码。由用户识别其中的信息，输入表单提交网站验证，验证成功后才能使用某项功能。验证码具有以下特性：

  1. 一般用于防止批量注册，还有各大论坛用来避免大规模匿名回帖现象的发生。
  2. 简单易操作，人机交互性好
  3. 安全系数低，容易被破解

【环境搭建】

  1. 使用Pycharm作为开发环境
  2. Python版本：3.9.6
  3. 相关工具包：PIL.Image, math, os, string, hashlib, time（Pilow是一个Python图像处理库）

【项目原理】

首先针对一个验证码图片进行像素颜色统计检测，并人工验证哪些颜色组成了验证码的数字。 利用上一步得到的颜色，通过判断该颜色所在的横坐标，将验证码中每个数字所在的横坐标范围确定下来。 利用单数字图片与Pillow的Image.getdata()方法,得到每种数字或小写字母的有效像素的集合，作为“训练集”。 最后，利用上两步得到的“验证码的数字坐标集”与“训练集”，在VectorCompare.relation()算法下，比较验证码每一位与训练集中每一个字符的数据，选最相似（相同坐标值相同的次数最多）的那个返回，这样就得到了验证码图片中数字及字母的内容。

【框架图】

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pyJ5aSn55eF5LmI5L2g6K-0,size_18,color_FFFFFF,t_70,g_se,x_16

【程序流程处理图】

watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5pyJ5aSn55eF5LmI5L2g6K-0,size_20,color_FFFFFF,t_70,g_se,x_16

【模块详细实现步骤】

准备工作如下：

在windowsx10下安装pillow（PIL）库

win+r，打开“运行”，再输入cmd，打开命令提示符；

输入pip install pillow，回车，等待约2分钟，安装成功；

安装的版本为Pillow-8.4.0-cp310-cp310-win_amd64.whl (3.2 MB)；

输入pip list可查看pyhton已安装库的最新版本。

下载实验中用的验证码文件:

http://labfile.oss.aliyuncs.com/courses/364/python_captcha.zip

将实验过程中使用的验证码文件下载到/password/Code目录下,解压后，在python_captcha目录下新建crack.py文件，进行编辑：

启动命令行输入如下指令：

start powershell

在powershell中我们输入一下命令

$client = new-object System.Net.WebClient

$client.DownloadFile(' http://labfile.oss.aliyuncs.com/courses/364/python_captcha.zip', 'D:\python\password\Code\python_captcha.zip')

下载完成后解压缩：（需要下载unzip；地址：http://gnuwin32.sourceforge.net/packages/unzip.htm）

键入命令：unzip python_captcha.zip

新建crack.py文件
type nul>crack.py

至此完成所有准备工作，下面开始正式编写代码

分析图片组成像素

将captcha.gif复制到开发目录下，用Pillow打开这个图片（Image.open()），并转换为8-bit彩色（Image.convert()）,并观察哪些像素构成了数字的绝大部分(Image.histogram()）。

#-*- coding:utf8 -*-

from PIL import Image

im = Image.open("captcha.gif")

#（将图片转换为8位像素模式）

im.convert("P")

# 打印颜色直方图

print（im.histogram()）

输出：

[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 2, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 2, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 2, 1, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0 , 1, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0, 0, 1, 2, 0, 1, 0, 0, 1, 0, 2, 0, 0, 1, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 3, 1, 3, 3, 0, 0, 0, 0, 0, 0, 1, 0, 3, 2, 132, 1, 1, 0, 0, 0, 1, 2, 0, 0, 0, 0, 0, 0, 0, 15, 0 , 1, 0, 1, 0, 0, 8, 1, 0, 0, 0, 0, 1, 6, 0, 2, 0, 0, 0, 0, 18, 1, 1, 1, 1, 1, 2, 365, 115, 0, 1, 0, 0, 0, 135, 186, 0, 0, 1, 0, 0, 0, 116, 3, 0, 0, 0, 0, 0, 21, 1, 1, 0, 0, 0, 2, 10, 2, 0, 0, 0, 0, 2, 10, 0, 0, 0, 0, 1, 0, 625]

若输出颜色直方图，说明上述操作成功。

获取颜色直方图

颜色直方图的每一位数字都代表了在图片中含有对应位的颜色的像素的数量。每个像素点可表现 256种颜色，会发现白点是最多（白色序号255的位置，也就是最后一位，可以看到，有625个白色像素）。红像素在序号200左右，于是可以通过排序得到有用的颜色。

```python

def getHis(image):

#颜色直方图

his = im.histogram()

values = {}

for i in range(256):

     values[i] = his[i]

#默认reverse=False升序排列，reverse=True降序排列

#按像素数量降序排列

for j,k in sorted(values.items(),key=lambda x:x[1],reverse = True)[:10]:

     print j, k

```

此处打印出图片，表明成功实现

构造一张黑白二值图片：

新建一个图片，同样采用8bit彩色模式，默认全白色，将有数字的部分填涂为黑色。（Image库的new(),getpixel(),putpixel()）

```python

#-*- coding:utf8 -*-

from PIL import Image

image = Image.open("captcha.gif")

def blackWhite(image):
    # 通过size属性可以获取图片的尺寸。这是一个二元组，包含水平和垂直方向上的像素数
    im2 = Image.new("P", image.size, 255)
    # 将图片转换为8位像素模式
    image.convert("P")
    temp = {}
    for x in range(image.size[1]):
        # 这里y指的是纵向，y = a是点(a,...)构成的直线
        for y in range(image.size[0]):
            ''' getpixel函数是用来获取图像中某一点的像素的RGB颜色值，getpixel的参数是一个坐标点。
            对于图像的不同的模式，getpixel函数返回的值有所不同。'''
            pix = image.getpixel((y, x))
            temp[pix] = pix
            # 这些是需要得到的数字
            if pix == 220 or pix == 227:
                im2.putpixel((y, x), 0)

    im2.save('new.gif')
    return im2

im2 = blackWhite(image)

im2.show()

```

提取单个字符图片，接下来获取单个字符的像素集合，对其进行纵向切割

```python

# 提取单个字符像素合集
def pixelCollection(blackWhiteCaptcha):
    inletter = False
    foundletter = False
    start = 0
    end = 0
    im2 = blackWhiteCaptcha

    letters = []
    # 获取每个字符的始末位置
    # 横向切割
    for y in range(im2.size[0]):
        # 纵向切割
        for x in range(im2.size[1]):
            pix = im2.getpixel((y, x))
            if pix != 255:
                inletter = True

        if foundletter == False and inletter == True:
            foundletter = True
            start = y

        if foundletter == True and inletter == False:
            foundletter = False
            end = y
            letters.append((start, end))

        inletter = False
    # print(letters)
    return letters



# 打开一张验证码图
image = Image.open("captcha.gif")

blackWhiteCaptcha = blackWhite(image)

print(pixelCollection(blackWhiteCaptcha))

```

输出

[(6, 14), (15, 25), (27, 35), (37, 46), (48, 56), (57, 67)]

此处得到得到每个字符开始和结束的列序号。

接下来对图片进行切割，得到每个字符所在的那部分图片：

利用黑色像素所在的横坐标的位置,设计算法得到每一位字符所在的横坐标范围。该范围可以利用起来对图片进行分割并保存（使用Image.crop()）。

```python

import hashlib
import time

# 识别字符个数
count = 0

# 对验证码图片进行切割
for letter in letters:
          # md5加密生成每个字符图片的名称

m = hashlib.md5()

# 前两个值为左上角坐标，后两个值为右下角坐标

im3 = blackWhiteCaptcha.crop((letter[0], 0, letter[1], blackWhiteCaptcha.size[1]))

guess = []

im3.save("./%s.gif"%(m.hexdigest()))
      count += 1

```

用 Python 类实现向量空间

参考利用基本向量空间搜索引擎论文(http://ondoc.logand.com/d/2697/pdf)，写出向量比较算法。这里涉及到较复杂的知识，需要理解。

在这里使用向量空间搜索引擎来做字符识别，它具有很多优点：

  1. 不需要大量的训练迭代；
  2. 不会训练过度；
  3. 可以随时加入／移除错误的数据查看效果；
  4. 很容易理解和编写成代码；
  5. 提供分级结果，并且可以查看最接近的多个匹配；
  6. 对于无法识别的东西只要加入到搜索引擎中，马上就能识别。

当然它也有缺点，例如分类的速度比神经网络慢很多，也不能找到自己的方法解决问题等等。

```python

import math

class VectorCompare:

# 计算矢量大小

def magnitude(self,concordance):

    total = 0

    for word,count in concordance.items():

        #返回count的2次幂

        total += count ** 2

    return math.sqrt(total)



# 计算矢量之间的 cos 值

def relation(self,concordance1, concordance2):

    relevance = 0

    topvalue = 0

    for word, count in concordance1.items():

        if word in concordance2:

           topvalue += count * concordance2[word]

     return topvalue / (self.magnitude(concordance1) * self.magnitude(concordance2))

```

它会比较两个 python 字典类型并输出它们的相似度（用 0～1 的数字表示）

将之前的内容放在一起，接下来是取大量验证码提取单个字符图片作为训练集合。也可以使用iconset 目录下存放的已有的训练集，将“训练集”中的字符图片的像素数据读入。

识别验证码图片

利用向量比较算法，比较训练集与验证码每一位的相符程度，并保存结果。打印该结果，观察效果。

```python

# 将图片转换为矢量
def buildvector(im):
    d1 = {}
    count = 0
    for i in im.getdata():
        d1[count] = i
        count += 1
    return d1


# 字符图标集合
def letterIconset():

#需要训练的字符
iconset = ['0','1','2','3','4','5','6','7','8','9','a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z']
# 加载训练集
imageset = []
for letter in iconset:
   for img in os.listdir('./iconset/%s/'%(letter)):
         temp = []
         if img != "Thumbs.db" and img != ".DS_Store":
           temp.append(buildvector(Image.open("./iconset/%s/%s"%(letter, img))))
        imageset.append({letter:temp})

return imageset



# 识别验证码
def identifyCaptcha(image):
    # 黑白二值图片中字符的像素信息
    blackWhiteCaptcha = blackWhite(image)
    # 单个字符的像素集合
    letters = pixelCollection(blackWhiteCaptcha)
    # 字符图标集合
    imageset = letterIconset()
    # 向量空间
    v = VectorCompare()
    # 识别字符个数
count = 0
# 对验证码图片进行切割
for letter in letters:
    m = hashlib.md5()
     im3 = blackWhiteCaptcha.crop((letter[0], 0, letter[1], blackWhiteCaptcha.size[1]))

guess = []

   # 将切割得到的验证码小片段与每个训练片段进行比较
     for image in imageset:
         for x,y in image.items():
            if len(y) != 0:
                guess.append( ( v.relation(y[0],buildvector(im3)),x) )
     # 默认reverse=False升序排列，reverse=True降序排列
guess.sort(reverse=True)
print(guess[0])

    count += 1



#打开一张验证码图

image = Image.open(“captcha.gif”)

#识别验证码并返回结果

identifyCaptcha(image)

```

接下来运行代码查看结果：

python crack.py

​
输出：

(0.9637681159420289, '7') (0.96234028545977, 's') (0.9286884286888929, '9') (0.9835037060984447, 't') (0.9675116507250627, '9') (0.96989711688772623, 'j')

​

与验证码中的字符一一对应，成功识别。

实现功能执行代码行：im = Image.open("captcha.gif") ,更改此处即可对其他验证码进行识别。

将以上各模块分装成函数，整理思路并运行代码，检验能否成功识别验证码。完整代码在crack1.py文件中。最终实验结果如图

选取多张图片进行验证，得到的结果均与预期结果均相同。

【项目总结】

该课程项目通过理论联系算法，得到了一种较为容易理解的机器学习算法，可以用来体验较原始的机器学习算法的实质，并为Python读取无干扰无扭曲的简易验证码提供了一套方案。

【心得体会】

Python是一种跨平台的、库相当丰富的、计算机程序设计语言，语法简单，可读性强，应用广泛。

在该课程项目中使用分割图片+向量识别的方式，实现了简易的验证码破解。然而现在的验证码越来越复杂，此方法明显处理不了更加复杂的验证码，这时候就需要在现有的基础上增添新的判别方式，提升系统的适应性。项目仍然有需要改进之处，对python语言的学习将不会停止，能够熟练运用python语言写脚本，提升编程能力和水平。

附全部代码如下：

# -*- coding:utf-8 -*-
from PIL import Image
import hashlib
import time
import os
import math
import string


# 向量空间类
class VectorCompare:
    # 计算矢量大小
    # magnitude()函数中的self代表类的实例，而非类，类似于this。
    def magnitude(self, concordance):
        total = 0
        for word, count in concordance.items():
            # 返回count的2次幂
            total += count ** 2

        return math.sqrt(total)

    # 计算矢量之间的cos值
    def relation(self, concordance1, concordance2):
        relevance = 0
        topvalue = 0
        # 字典的items方法：可以将字典中的所有项，以列表方式返回
        # 因为字典是无序的，所以用items方法返回字典的所有项，也是没有顺序的。
        for word, count in concordance1.items():
            if word in concordance2:
                topvalue += count * concordance2[word]

        return topvalue / (self.magnitude(concordance1) * self.magnitude(concordance2))


# 将图片转换为矢量
def buildvector(image):
    d1 = {}
    count = 0
    for i in image.getdata():
        d1[count] = i
        count += 1

    return d1


# 字符图标集合
def letterIconset():
    # 需要训练的字符
    iconset = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k',
           'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']

    # 字符训练集目录
    letterPath = 'iconset'
    # 加载训练集
    imageset = []
    for letter in iconset:
        for img in os.listdir(letterPath + '/%s/' % (letter)):
            temp = []
            # windows check...
            # if img != "Thumbs.db" and img != ".DS_Store":
            #     temp.append(buildvector(Image.open("./iconset/%s/%s" % (letter, img))))
            # imageset.append({letter: temp})
            # 过滤非gif格式的文件
            if img.endswith(".gif"):
                temp.append(buildvector(Image.open(letterPath + '/%s/%s' % (letter, img))))
            imageset.append({letter: temp})

    return imageset


# 提取单个字符像素合集
def pixelCollection(blackWhiteCaptcha):
    inletter = False
    foundletter = False
    start = 0
    end = 0
    im2 = blackWhiteCaptcha

    letters = []
    # 获取每个字符的始末位置
    # 横向切割
    for y in range(im2.size[0]):
        # 纵向切割
        for x in range(im2.size[1]):
            pix = im2.getpixel((y, x))
            if pix != 255:
                inletter = True

        if foundletter == False and inletter == True:
            foundletter = True
            start = y

        if foundletter == True and inletter == False:
            foundletter = False
            end = y
            letters.append((start, end))

        inletter = False
    # print(letters)
    return letters


# 通过size属性可以获取图片的尺寸。这是一个二元组，包含水平和垂直方向上的像素数
# 构造一张黑白二值图片
def blackWhite(image):
    im2 = Image.new("P", image.size, 255)
    # 将图片转换为8位像素模式
    image.convert("P")
    temp = {}
    for x in range(image.size[1]):
        # 这里y指的是纵向，y = a是点(a,...)构成的直线
        for y in range(image.size[0]):
            ''' getpixel函数是用来获取图像中某一点的像素的RGB颜色值，getpixel的参数是一个坐标点。
            对于图像的不同的模式，getpixel函数返回的值有所不同。'''
            pix = image.getpixel((y, x))
            temp[pix] = pix
            # 这些是需要得到的数字
            if pix == 220 or pix == 227:
                im2.putpixel((y, x), 0)

    im2.save('new.gif')
    return im2


# 识别验证码
def identifyCaptcha(image):
    # 黑白二值图片中字符的像素信息
    blackWhiteCaptcha = blackWhite(image)
    # 单个字符的像素集合
    letters = pixelCollection(blackWhiteCaptcha)
    # 字符图标集合
    imageset = letterIconset()
    # 向量空间
    v = VectorCompare()
    # 识别字符个数
    count = 0
    # 识别验证码
    guessLetter = ''
    # 对验证码图片进行切割
    for letter in letters:
        # md5加密生成每个字符图片的名称
        m = hashlib.md5()
        '''Image.crop(box=None):Returns a rectangular region from this image.
        The box is a 4-tuple defining the left, upper, right, and lower pixel coordinate.'''
        # 前两个值为左上角坐标
        # 后两个值为右下角坐标
        im3 = blackWhiteCaptcha.crop((letter[0], 0, letter[1], blackWhiteCaptcha.size[1]))
        guess = []

        # 将切割得到的验证码小片段与每个训练片段进行比较
        for image in imageset:
            for x, y in image.items():
                if len(y) != 0:
                    guess.append((v.relation(y[0], buildvector(im3)), x))

        # 默认reverse=False升序排列，reverse=True降序排列
        guess.sort(reverse=True)
        print(guess[0])
        guessLetter += guess[0][1]
        count += 1

    return count,guessLetter


def getHis(image):
    # 颜色直方图
    his = image.histogram()
    values = {}
    for i in range(256):
        values[i] = his[i]
    # 按像素数量降序排列
    valueSeq = {}
    # 默认reverse=False升序排列，reverse=True降序排列
    for j, k in sorted(values.items(), key=lambda x: x[1], reverse=True)[:11]:
        valueSeq[j] = k
        # print(j, k)
    # print(valueSeq)

    return valueSeq


# 主函数
if __name__ == '__main__':
    # 打开一张验证码图
    image = Image.open("r2lvkd.gif")
    # 对图像进行处理，获取相关信息
    # 打印颜色直方图
    getHis(image)
    # 识别验证码返回结果
    result = identifyCaptcha(image)
    print("识别出%d位验证码：%s" % (result))

有大病么你说
关注
Python登录验证码
KgCaptcha的博客
02-28 557
相信大家都明白，大多数的网站为了不被恶意访问，往往需要设置验证码登录，避免机器人访问，而造成我服务器瘫痪，崩溃，这里用到Python3，下面就来看看实现的具体过程吧！凯格行为验证码（KgCaptcha）滑动拼图验证，无感验证码，文字点选验证码。生成验证码并验证成功，成功登录，进入到个人信息页。
使用python以及工具包进行简单的验证码识别
热门推荐
nwpulei
01-01 4万+
闲话休提，直接开始。 原始图像    Step 1 打开图像吧。 im = Image.open('temp1.jpg') Step 2 把彩色图像转化为灰度图像。彩色图像转化为灰度图像的方法很多，这里采用RBG转化到HSI彩色空间，采用I分量。 imgry = im.convert('L') 灰度看起来是这样的      Step 3 需要把图像中的噪声去除掉
python识别登录验证码
09-30
直接根据python的PIL模块进行图片验证码的识别，识别的正确率很低
渗透测试入门学习——使用python脚本自动识别图片验证码，OCR技术初体验
最新发布
qq_44611153的博客
10-05 543
由于验证码在服务端生成后存储在服务器的session中，而标用于标识用户身份的sessionid存在于用户cookie中所以本次识别验证码时需要用requests.session()创建会话对象，模拟真实的浏览器行为，保持与服务器的会话才能获取登录时服务器为用户生成验证码，也省去了手动在python代码中手动输入cookie的步骤。
python数字验证码自动识别
一键难忘的博客
04-24 3326
在本文中，我们探讨了如何使用Python来自动识别数字验证码，并将其应用于实际场景中，如自动化登录网站。我们首先介绍了验证码的概念以及为什么它们在网络安全和用户验证中如此重要。然后，我们讨论了使用Python和一些常见的库和工具（如Pillow、Scikit-learn和Selenium）来实现验证码识别的基本步骤。我们从预处理验证码图像开始，介绍了如何将图像转换为灰度图像、二值化处理、调整大小和标准化。接下来，我们讨论了如何使用机器学习模型（如支持向量机）来训练和识别验证码。
使用Python进行验证码识别
飞鱼的空间
05-30 1748
以 前写过一个刷校内网的人气的工具，Java的(以后再也不行Java程序了)，里面用到了验证码识别，那段代码不是我自己写的:-)校内的验证是完全单色没有任何干挠的验证码，识别起来比较容易，不过从那段代码中可以看到基本的验证码识别方式。这几天在写一个程序的时候需要识别验证码，因为程序是Python写的自然打算用Python进行验证码的识别。 以前没用Python处理过图像，不太了解PIL(Pyth
python实现验证码识别
u010799534的博客
07-09 3243
大家在做自动化的过程中，应该遇到过登录，需要输入验证码的场景，一般的话，解决方案就是，需要后台的开发同学提供万能验证码,这样每次都麻烦开发也不是很好，所以，还是自己搞一下把！
python 识别登录验证码图片功能的实现代码（完整代码）
09-16
在Python编程中，识别登录验证码图片是一项常见的任务，特别是在自动化测试和数据抓取等领域。本文将详细介绍如何使用Python实现这一功能，主要涉及的库包括`re`、`PIL`（Python Imaging Library）、`pytesseract`、...
get_yanzhengma.zip_python 登录_验证码_验证码识别
09-15
这个名为"get_yanzhengma.zip"的压缩包文件显然包含了使用Python编写的验证码识别程序，这对于理解和自动化处理登录过程中的验证码验证非常有帮助。让我们深入探讨一下相关的知识点。 首先，Python是一种广泛用于...
python识别图形验证码实现自动登陆
03-31
4. **字符分割**：识别验证码前，需要将整个验证码图像分割成单独的字符。这通常通过找到垂直和水平的图像分界线完成，然后裁剪出每个字符。 5. **字符识别**：分割后的字符可以使用OCR（光学字符识别）技术进行...
Python验证码识别
m0_68650955的博客
04-26 1万+
大致介绍 　　在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题，现在的验证码大多分为四类： 　　　　1、计算验证码 　　 2、滑块验证码 　　　　3、识图验证码 　　　　4、语音验证码 　　这篇博客主要写的就是识图验证码，识别的是简单的验证码，要想让识别率更高，识别的更加准确就需要花很多的精力去训练自己的字体库。 　　识别验证码通常是这几个步骤： 　　　　1、灰度处理 　　　　2、二值化 　　　　3、去除边框（如果有的话） 　　　　4、降噪 　　　　5...
python验证码识别
03-22
几个验证码识别示例, python 调用 tessreact-ocr 完成的识别验证码识别的数字, python简单的进行了图片处理
python 识别图形验证码_Python验证码识别
weixin_39526415的博客
11-27 748
大致介绍　　在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题，现在的验证码大多分为四类：　　　　1、计算验证码 　　 2、滑块验证码　　　　3、识图验证码　　　　4、语音验证码　　这篇博客主要写的就是识图验证码，识别的是简单的验证码，要想让识别率更高，识别的更加准确就需要花很多的精力去训练自己的字体库。　　识别验证码通常是这几个步骤：　　　　1、灰度处理　　　　2、二...
python登录+验证码
yuzheh521的博客
04-09 6759
方式一下载验证码到本地 # 通过登陆 然后进入到主页面 # 通过找登陆接口我们发现 登陆的时候需要的参数很多 # _VIEWSTATE: /m1O5dxmOo7f1qlmvtnyNyhhaUrWNVTs3TMKIsm1lvpIgs0WWWUCQHl5iMrvLlwnsqLUN6Wh1aNpitc4WnOt0So3k6UYdFyqCPI6jWSvC8yBA1Q39I7uuR4NjGo= # __VIEWSTATEGENERATOR: C93BE1AE # from: http://so.gushiw
Python验证码识别登陆
weixin_45461943的博客
08-12 585
验证码
关于Python自动化验证码登录的问题
m0_66002073的博客
05-24 847
driver = webdriver.Chrome() # 或者使用其他浏览器，如Firefox。# 如果需要，将Base64编码的字符串解码回字节序列，并使用BytesIO打开。# 现在您可以使用captcha_img进行进一步的操作，例如显示或保存。# 打印Base64编码的验证码图片字符串（或将其用于其他目的）# 使用Tesseract OCR识别验证码。# 获取验证码图片的base64编码。# 使用Pillow打开图片。# 获取图片内容的字节数据。# 找到验证码图片元素。# 输入识别到的验证码。
Python 识别验证码，进行登录
殷殷殷先森、的博客
05-06 968
识别过程不说了，可以看我的另外一张文章：https://blog.csdn.net/weixin_44750991/article/details/105660646 这里主要是介绍登录，及登录后操作，直接看代码，都有注释： # coding:utf-8 import calendar import base64 # 用于解析返回的img import re import requests fr...
Python自动化登录与验证码识别实战教程
"Python完全识别验证码自动登录实例详解" 这篇教程详细介绍了如何使用Python进行验证码的识别和自动登录。在IT行业中，自动化测试和爬虫技术常常需要处理验证码的识别，以便模拟用户登录或者执行其他操作。Python因...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

有大病么你说

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值