自动化测试中6种常见验证码的处理方式

最新推荐文章于 2024-04-11 07:50:56 发布

程序员二黑

最新推荐文章于 2024-04-11 07:50:56 发布

阅读量121

点赞数

文章标签：压力测试 python 单元测试软件测试自动化测试功能测试

本文链接：https://blog.csdn.net/weixin_54696666/article/details/135038056

版权

📢专注于分享软件测试干货内容，欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！
📢交流讨论：欢迎加入我们一起学习！
📢资源分享：耗时200+小时精选的「软件测试」资料包
📢 软件测试学习教程推荐：火遍全网的《软件测试》教程

UI自动化测试时，需要对验证码进行识别处理，有很多方式，每种方式都有自己的特点，以下是一些常用处理方法，仅供参考。

去掉验证码

从自动化的本质上来讲，主要是提升测试效率等，但是为了去研究验证码以及提升验证码的识别效率，是需要投入比较大的时间的；
去掉验证码无疑是最简单的方式，而且对于开发而言这样做，工作量也不是很大；
但是建议在测试环境使用，生产环境禁用，因为存在安全问题。

设置万能码

这个是笔者刚开始做自动化时首选的一个处理方法；
为既测试到了验证码的功能，而且也不用投入太大的精力去研究如何进行验证码识别；
另外对于开发来说，内置一个万能验证码也是非常简单的事情；
对于写自动化脚本的人来说也是非常的方便，效率也高；
但这个万能验证码仅限相关人员知道，避免存在安全隐患。

保留一个资源

有点验证码实则就是图片资源；
其实就是在制定的文件夹资源库中随机抽取一张，那么只需要将服务器上的所有图片删除，仅保留一张即可；
说白了就相当于固定验证码。

光学字符识别

其实就是通过Python-tesseract模块来只能识别图片中的验证码；
Python-tesseract是光学字符识别Tesseract OCR的python封装类；
其能够读取大部分常规图片文件，比如JPG、GIF、PNG、TIFF等；
这个笔者也尝试过，因为现在的图片验证码越来越复杂，其实有时候识别率并不高；
下边我们尝试着使用一下。

4.1 识别对象

我们收集了几个图片验证码（来源于网络，仅供参考）：从左到右依次是image01.jpg-image04.jpg:

4.2 pytesseract安装

直接使用命令安装即可：

pip install pytesseract

4.3 Pillow安装

直接使用命令：

pip install Pillow

4.4 OCR安装

直接在官网下载即可：

OCR官网

https://github.com/UB-Mannheim/tesseract/wiki

选择对应的版本下载即可：

按照提示安装完成：

配置环境变量，将其根目录添加到path环境变量中：

4.5 识别原理

基本思路是通过图片降噪、图片切割等，输出图像文本；
图片降噪就是将图片中一些不需要的信息去除，比如背景、干扰像素、干扰线等。
如果验证码是彩色的背景，其实就是把每个像素放在五维空间，即X、Y、R、G、B；
X、Y是像素的二维平面坐标，RGB代表像素所对应的颜色。

4.6 处理过程

4.6.1 转灰度处理

导入需要的包：

from PIL import Image

打开需要分析的图像：

image = Image.open("./image01.jpg")

将彩色图像转化为灰度图像（RGB转为HSI色彩空间），采用L分量：

# 彩色转灰度img_01 = image.convert("L")img_01.show()

以上完整代码为（使用image01.jpg）：

# 导入Image包from PIL import Image
# 打开图像image = Image.open("./image01.jpg")# 彩色转灰度img_01 = image.convert("L")img_01.show()

转灰度后图像如下：

4.6.2 二值化处理

图像分割常用的方法就是二值化处理；
二值化处理就是二值化图像时，将大于某个临界灰度值的像素灰度设置为灰度的极大值，把小于这个值的像素灰度设为灰度的极小值，取值范围一般为0-1；
二值化算法不同，可分固定阈值和自适应阈值，比如这个固定阈值如下（使用image02.jpg）：

# 导入Image包from PIL import Image
# 打开图像image = Image.open("./image02.jpg")# 二值化处理img_02 = image.point(lambda x:0 if x<143 else 255)img_02.show()

二值化后的效果：

我们结合前两种方法，把image03.jpg先灰度再二值化处理后输出对应的文字：

# 导入Image包from PIL import Imagefrom pytesseract import pytesseract
# 打开图像image = Image.open("./image03.jpg")
# 灰度处理img_new = image.convert("L")# 二值化处理img_03 = img_new.point(lambda x:0 if x<143 else 255)img_03.show()out_img = pytesseract.image_to_string(img_03)print(out_img)

image03.jpg原图和处理后效果：

结果输出：

4.6.3 图像增强

为了排除更多的干扰，我们可以使用将图片增强显示，或者将图片转成黑白；
我们在以上代码继续添加：

from PIL import ImageEnhance
img_enh = ImageEnhance.Contrast(img_03)img_enh01 = img_enh.enhance(4)img_enh01 .show()
out_img = pytesseract.image_to_string(img_enh01)

4.6.4 完整代码

我们使用image04.jpg输出完整代码：

# 导入Image包from PIL import Imagefrom pytesseract import pytesseractfrom PIL import ImageEnhance
# 打开图像image = Image.open("./image04.jpg")
# 灰度处理img_new = image.convert("L")
# 二值化处理img_04 = img_new.point(lambda x:0 if x<143 else 255)
# 图像增强img_enh = ImageEnhance.Contrast(img_04)img_enh01 = img_enh.enhance(4)
# 处理后图片img_enh01.show()
# 提取图片文字out_img = pytesseract.image_to_string(img_enh01)print(out_img)