用次世代2.3训练自己的字符库cds小demo

从我前几天写的 python 基于次世代验证码识别系统的小demo 中大家可以得知，如果有antiVC.dll 和关于特定网站的字符库cds，我们就能够让浏览器自动识别验证码了。虽然网络有不少视频关于怎么训练cds，我还是总结下吧，哎，备忘。

自己训练数据相对于去购买什么超级鹰API啊，de-captcher啊这种验证码识别平台，有2个好处，一是不用考虑网络延迟，二是API都是收费的，小弟我也是Naive得贡献了10几刀的，╮(╯▽╰)╭

这里可以贡献下怎么用de-captcher的验证平台（前提是你先注册了de-captcher用户并且购买了次数）：

#验证码在线验证
def getTextFromImg(img_file):
    data = {
        'username': 'your_user',
        'password': 'your_pass',
        'function': 'picture2',
        'pict_to': '0',
        'pict_type': '0',
        'pict': img_file
    }
    keys = 'ResultCode|MajorID|MinorID|Type|Timeout|Text'.split('|')
    de_captcher_server = "http://poster.de-captcher.com/"
    try:
        opener = urllib2.build_opener(urllib2.HTTPCookieProcessor())
        result = opener.open(de_captcher_server, urllib.urlencode(data))
        data = result.read()
        #print 'check_code:',data
        return dict(zip(keys, data.split('|')))
    except KeyError,e:
        print str(e)
        return result

目标：http://jiaowu.dlufl.edu.cn/

可以发现它的验证码地址是我们最喜欢的固定URL，每次F5都是新的验证码。

有些网站验证码动态URL，而且还是JS生成，我们需要JS解析器。

那个要自己写脚本跑，思路有两种：

一是浏览器截图，可参考我之前写的：Pyqt 浏览器截图小demo

二是通过selenium+PhantomJS，动态解析页面源代码下载下来，获取URL后通过访问下载图片，可参考我之前写的：selenium 操控浏览器

有些同学可能发现了，方法二得到的验证码是不同于第一次获得的验证码，毕竟每次访问都会更新，又有什么关系呢？

我们只要获得验证码图片用来训练就行了。

总之上面的情况暂时不考虑，我们现在遇到的是最简单的情况，同一URL可获取不同的验证码：

OK，打开次世代2.3，在地址栏输入：http://jiaowu.dlufl.edu.cn/ACTIONVALIDATERANDOMPICTURE.APPPROCESS，点击下载图像：

然后依次选择：分割识别、平均分割（因为看起来四四方方的很规整）、显示字符分割矩形框、显示识别结果、点击最右边的加号选择图像二值化：

再点击字模管理，选中自动分割图像：

双击第一个矩形“9”：

选择切除白边（有些杂点多的还要去除杂点），然后在右边对应字符填下：9，告诉程序，以后遇见这种字符它就是9：

弄完一个后点击“图像重载”，对第二个矩形3，做同样的操作：

填入3后，我们可以看到已经有两个字模了，弄完这些就可以保存退出：

好的回到主界面，我们点击重新识别，可以看到喜人的结果：

好的，当你识别率很高很高的时候，点击项目管理，发布识别库，就能生存可爱的专属的cds啦，不过正版软件每次25软妹币，你舍得吗？

吐槽下：

这基本上是我遇到的最最简单的字模创建了，没任何杂点，验证码超级规整，和我攻克的网站一比较就是被吊打的存在。。

有些难的，2000个字模以下别想识别成功，2k个啊有木有！！

要做足足两天啊有木有！！！

难怪淘宝特定网站cds售价都是2k，3k软妹币啊有木有！！！

不是人干得的啊有木有！！！

而且你还以为有些网站验证码这么容易获得吗？还不是一个个用脚本去跑的啊有木有！！