最新版的破解字体加密方法！学会了就没有你不能爬的网站！

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

那是为了与众不同，我决定使用机器学习算法来识别截图文件。

​

我们先将截图文件转换为下列样式，即去掉干扰部分并清晰化数据截图文件：

​

​具体实现的代码可以这样：

import os

from PIL import Image

裁剪后观察样本数据可以发现，含有不同数目的字符图片的长度是不一样的，即：

1个–>9

2个–>16

3个–>23

4个–>30

5个–>37

大家可以自己像一个很好的办法来区分，这里我就简单的人工罗列。

注意不同分辨率的电脑这个数据也会改变的，大家可以做一个映射表即可。

def get_each_pic_num(imgPath, savePath):

global rct

files = os.listdir(imgPath)

files.sort()

for file in files:

fileType = os.path.splitext(file)

if fileType[1] == ‘.png’:

img = Image.open(imgPath + ‘/’ + file)

img = img.convert(“L”)

pixdata = img.load()

w, h = img.size

cut_times = 0

if w == 9:

rct = ((0, 0, 7, h),)

cut_times = 1

if w == 16:

rct = ((0, 0, 7, h),

(7, 0, 14, h))

cut_times = 2

if w == 23:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),)

cut_times = 3

if w == 30:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),

(21, 0, 28, h),)

cut_times = 4

if w == 37:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),

(21, 0, 28, h),

(28, 0, 35, h),)

cut_times = 5

cut_img = []

for part in range(cut_times):

cut_img.append(img.crop(rct[part]))

return img

d = 0

for im in cut_img:

d += 1

im.save(savePath + str(d) + str(file))

get_each_pic_num(‘./cutpic/’, ‘./each_character/’)

​

之后我们对图片进行切割，这里使用固定坐标切割，得到如下所示单个字符数据：

​

实现代码如下：

​

import os

from PIL import Image

灰度和二值化处理

def binarizing(imgPath, savePath):

files = os.listdir(imgPath)

files.sort()

img=Image.open(img).convert(“L”)

for file in files:

fileType = os.path.splitext(file)

if fileType[1] == ‘.png’:

img = Image.open(imgPath + ‘/’ + file)

img = img.convert(“L”)

pixdata = img.load()

w, h = img.size

for y in range(h):

for x in range(w):

if pixdata[x, y] < 220:

pixdata[x, y] = 0

else:

pixdata[x, y] = 255

removeFrame(img,1)

img.save(savePath + ‘/’ + file) # 保存图片

return img

def get_cut(file_name):

img = Image.open(file_name)

不同分辨率减去的值可能不同

可以做一个字典映射

right = img.size[0] - 39

right = img.size[0] - 47

cut_img = []

rct = (

(0, 0, right, 28), # 左边距 上边距 右边距 下边距

)

for part in range(1):

cut_img.append(img.crop(rct[part]))

return cut_img

二值化

binarizing(‘./pic/’, ‘./binpic/’)

切割保存

imgPath = ‘./binpic/’

files = os.listdir(imgPath)

files.sort()

for file in files:

fileType = os.path.splitext(file)

if fileType[1] == ‘.png’:

img = Image.open(imgPath + ‘/’ + file)

img = get_cut(imgPath + ‘/’ + file)

d = 0

for im in img:

d += 1

im.save(‘./cutpic/’ + str(file))

​

注意，切割后的单个图片要保证h和w是一致的。当然了大家可以尝试使用连通区域分割算法进行切割。

5、人工标注数据集

---

建立0-9一共10个文件夹，人工判断字符属于哪个文件夹，并将拆分的字符文件移动到对应的文件夹中。由于字符不是很复杂每一个文件夹只需大概20个文件即可：

​

​

6、机器学习

---

得到数据集之后，我们就可以构建机器学习模型。机器学习算法采用的是SVM算法，具体就不详解了，先图片数据转文本数据，

代码如下：

# 获取图像二值化数值

import numpy as np

from PIL import Image

import os, sys

def getBinaryPix(im):

im = Image.open(im)

im = im.convert(“L”)

img = np.array(im)

rows, cols = img.shape

print(img.shape)

for i in range(rows):

for j in range(cols):

if (img[i, j] <= 220):

img[i, j] = 0

else:

img[i, j] = 1

binpix = np.ravel(img)

binpix=img.reshape(1,rows*cols)

return binpix

def getfiles(path):

files = []

for eachf in os.listdir(path):

f = path + eachf

if f.rfind(u’.DS_Store’) == -1:

files.append(f)

return files

def wirteFile(content):

with open(‘./traindata/train.txt’, ‘a+’) as f:

f.write(content)

f.write(‘\n’)

f.close()

if __name__ == ‘__main__’:

file_path = ‘./correct_categroy/%s/’

for i in [‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’]:

for f in getfiles(file_path % (i)):

pixs = getBinaryPix(f).tolist()

pixs.append(i)

pixs = [str(i) for i in pixs]

content = ‘.’.join(pixs)

wirteFile(content)

​

得到的train数据集train.txt如下：

​

接下来就是使用上述数据构建SVC模型：

​

from sklearn.svm import SVC

from sklearn.model_selection import GridSearchCV

from sklearn.model_selection import cross_val_score

import numpy as np

import pandas as pd

import joblib

from PIL import Image, ImageFilter, ImageEnhance

from picPreprocessing import loadPredict

import warnings

import os

warnings.filterwarnings(‘ignore’)

PKL = ‘./model.pkl’

加载数据

def load_data():

dataset = pd.read_table(‘./traindata/train.txt’, header=None, delimiter=‘.’, index_col=-1)

return dataset

参数寻优

def searchBestParameter():

parameters = {‘kernel’: (‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’), ‘C’: [1, 100]}

dataset = load_data()

row, col = dataset.shape

X = dataset.values

Y = dataset.index

svr = SVC()

clf = GridSearchCV(svr, parameters)

clf.fit(X, Y)

print(clf.best_params_)

该工程的最佳参数为

{‘C’: 1, ‘kernel’: ‘linear’}

def train():

dataset = load_data()

row, col = dataset.shape

X = dataset[:,:col-1]

Y=dataset[:,-1]

X = dataset.values

Y = dataset.index

clf = SVC(kernel=‘linear’, C=1)

clf.fit(X, Y)

joblib.dump(clf, PKL)

交叉验证

def cross_validation():

dataset = load_data()

row, col = dataset.shape

X=dataset[:,:col-1]

Y=dataset[:,-1]

X = dataset.values

Y = dataset.index

clf = SVC(kernel=‘linear’, C=1)

scores = cross_val_score(clf, X, Y, cv=5)

print(“Accuracy: %0.2f (+/- %0.2f)” % (scores.mean(), scores.std() * 2))

该工程下打印的 cross_validation Accuracy: 0.99 (+/- 0.02)

def predict(pic_name):

clf = joblib.load(PKL)

img = Image.open(pic_name)

img = img.convert(“L”)

w, h = img.size

cut_times = 0

这里的处理与一开始生成测试数据的时候保持一致

if w == 9:

rct = ((0, 0, 7, h),)

cut_times = 1

if w == 16:

rct = ((0, 0, 7, h),

(7, 0, 14, h))

cut_times = 2

if w == 23:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),)

cut_times = 3

if w == 30:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),

(21, 0, 28, h),)

cut_times = 4

if w == 37:

rct = ((0, 0, 7, h),

(7, 0, 14, h),

(14, 0, 21, h),

(21, 0, 28, h),

(28, 0, 35, h),)

cut_times = 5

print(‘cut_times:’,cut_times)

predictValue = []

for part in range(cut_times):

img = im.crop(rct[part])

img = img.convert(‘L’)

img.show()

img2 = np.array(img)

rows, cols = img2.shape

for a in range(rows):

for b in range(cols):

if (img2[a, b] <= 220):

img2[a, b] = 0

else:

img2[a, b] = 1

binpix = np.ravel(img2)

pixs=binpix.tolist()

pixs = binpix.reshape(1, -1)

predictValue.append(clf.predict(pixs)[0])

predictValue = [str(x) for x in predictValue]

print(‘Number of reviews for this business: %s’ % (‘’.join(predictValue)))

if __name__ == ‘__main__’:

searchBestParameter()

train()

cross_validation()

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-AHzhMupt-1713087914009)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！