使用Python处理图片验证码

在工作中，后端开发人员数据处理是常见的内容，偶尔也会从其他网站获取部分信息。我们获取信息的网站可以分为两大类，一类是资讯网站，比如各大门户网站，另一类是行业网站。资讯网站大多数是没有鉴权的，行业网站一般是有鉴权，鉴权分为多种方式，有短信验证码、账号密码等，这些方式经常是配合图片验证码来使用，因为图片验证码可以防止恶意破解密码、恶意登录等。以某网站为例，我们想要用程序的方式获取数据，必须通过该网站的鉴权。该网站也是用常规的账号+密码+图片验证码的方式组成鉴权。接下来梳理下怎么用Python获取、处理和识别图片验证码，使程序可以自动通过鉴权。

1. 获取验证码
   首先我们需要从该网站获取一定数量的验证码例如3000个，观察规律。

1.	#encoding: utf-8  
2.	import os, time  
3.	from urllib import request  
4.	  
5.	def getPic():  
6.	    # 单一窗口获取图片的链接  
7.	    img_url = "https://**********/cas/plat_cas_verifycode_gen"  
8.	    # 本地保存的目录  
9.	    file_path = 'E:/article/auth/pic/primitive/'  
10.	  
11.	    try:  
12.	        if not os.path.exists(file_path):  
13.	            os.makedirs(file_path)  
14.	        for num in range(0,3000):  
15.	            file_name = str(num)+".jpg"  
16.	            request.urlretrieve(img_url,file_path+file_name)  
17.	            print(str(num)+" success")  
18.	            # 休眠 100ms  
19.	            time.sleep(0.1)  
20.	    except Exception as e:  
21.	        print("error")  
22.	        print(e)  

python是一种跨平台的计算机程序设计语言，是一种面向对象的动态类型语言。语法比较通俗易懂，拥有非常丰富的第三方库，代码显得非常的简洁。上述代码可以在本地保存3000张JPG格式的验证码。

从上述图中可以看出验证码是带有很多噪点的，随机选择一张用Windows自带的画图工具放大800%查看如下图所示。

从放大的图片可以看出噪点的颜色深度没有验证码值的深，通过比较像素点的RGB值将浅色的像素点改成白色，可以去除大部分的噪点。
2. 验证码降噪
2.1 二值化处理
图片需要先转成灰度图，再转成二值图片（非黑即白）。经过多次试验灰度阈值设为30到40之间最为合适，大多数的噪点已经被渲染成白色，代码如下

1.	from PIL import Image  
2.	import os  
3.	  
4.	  
5.	# 二值化处理 灰度阈值设为35，高于这个值的点全部填白色  
6.	def two_value(threshold=35):  
7.	    for i in range(0, 3000):  
8.	        # 打开文件夹中的图片  
9.	        im-age = Image.open('E:/article/auth/pic/primitive/' + str(i) + '.jpg')  
10.	        # 灰度图 模式“L” 每个像素用8个bit表示，0表示黑，255表示白  
11.	        # 公式 L = R * 299/1000 + G * 587/1000+ B * 114/1000  
12.	        lim = image.convert('L')  
13.	        table = []  
14.	  
15.	        for j in range(256):  
16.	            if j < threshold:  
17.	                # 填黑色  
18.	                table.append(0)  
19.	            else:  
20.	                # 填白色  
21.	                table.append(1)  
22.	        # 对图像像素操作 模式“1” 为二值图像，非黑即白。但是它每个像素用8个bit表示，0表示黑，255表示白  
23.	        bim = lim.point(table, '1')  
24.	        path = 'E:/article/auth/pic/first/'  
25.	        isExists = os.path.exists(path)  
26.	        if not isExists:  
27.	            os.makedirs(path)  
28.	        # 保存图片  
29.	        bim.save(path + str(i) + '.jpg') 

下图左侧是原图，右侧是已经处理过的图片，通过对比可以看出大部分的噪点已经被处理，仍有少量的噪点存在。

2.2 去除单独的黑色噪点
经过上述二值化操作，大部分的图片已经没有噪点，仍有部分图片有一些单独的噪点，比如下图。

去除单独噪点，原理是一个单独的点，它的上下左右各方也没有点存在。代码如下

1.	# 去除单独的黑色像素点  
2.	def descrambler(name, threshold=35):  
3.	    # 打开图片  
4.	    im = Image.open('E:/article/auth/pic/first/' + name)  
5.	    # 获取图像数据  
6.	    data = im.getdata()  
7.	    w, h = im.size  
8.	    black_point = 0  
9.	    # black_rgb = 10  
10.	    black_rgb = threshold  
11.	  
12.	    for x in range(1, w - 1):  
13.	        for y in range(1, h - 1):  
14.	            mid_pixel = data[w * y + x]  # 中央像素点像素值 255为白色  
15.	            if mid_pixel <= threshold:  # 找出上下左右四个方向像素点像素值  
16.	                # 上、左、下、右边像素点  
17.	                top_pixel = data[w * (y - 1) + x]  
18.	                left_pixel = data[w * y + (x - 1)]  
19.	                down_pixel = data[w * (y + 1) + x]  
20.	                right_pixel = data[w * y + (x + 1)]  
21.	  
22.	                # 判断上下左右的黑色像素点总个数  
23.	                if top_pixel < black_rgb:  
24.	                    black_point += 1  
25.	                if left_pixel < black_rgb:  
26.	                    black_point += 1  
27.	                if down_pixel < black_rgb:  
28.	                    black_point += 1  
29.	                if right_pixel < black_rgb:  
30.	                    black_point += 1  
31.	                # 孤立的点周围没有黑点  
32.	                if black_point < 1:  
33.	                    # 将黑点置为白色  
34.	                    im.putpixel((x, y), 255)  
35.	                black_point = 0  
36.	    path = 'E:/article/auth/pic/second/'  
37.	    isExists = os.path.exists(path)  
38.	    if not isExists:  
39.	        os.makedirs(path)  
40.	    im.save(path + name) 

下图左边为去除单独噪点前的验证码，右边为去除后的。右边除了X下方的黑点被去除，X本身也被误删除了一个点，但是这已经不影响用tess4j或者OCR网站判断了。

3. 识别
打开https://ai.baidu.com/tech/ocr/general 百度OCR测试地址，选择“本地上传”提交上述验证码，检测结果为“X Tws”，检测成功。

4. 总结
图片验证码的种类非常多，有带干扰点、干扰线及内容倾斜等等，但它是按一种或者一组规律生成的，最终目的是让人能够看得清，程序不容易识别。我们可以通过细心的观察和试验，发现其规律并破解，达到我们的目的。