爬虫验证码很难吗？自动识别验证码程序了解一下？

 

 

首先，我对验证码做了初步的观察分析。总结如下：

 

验证码中的字符位数始终为6位，并且是灰度图像；

字符之间的间隔看起来始终保持相同的间隔；

每个字符都是完全定义的；

图像有许多杂散的暗像素，以及穿过图像的线条

我决定下载一个图片验证码，并借助 这款工具 以二进制可视化图像（0表示黑色，1表示白色像素）。

 

我的观察是正确的 – 图像尺寸为45×180，每个字符被分配一个30像素的空间来拟合，从而使它们均匀间隔。

 

 

我将其包装在一个循环中，写了一个简单的脚本，从该站点获取500个验证码图像，并将所有裁剪后的字符保存到一个文件夹中。

第三次观察 – 每个字符都有明确的定义。为了“清理”图像中的裁剪字符（删除不必要的线和点），我使用了以下方法。

字符中的所有像素都是纯黑色(0)。我用了一个简单的逻辑 – 如果它不是完全黑色的，就视为白色。因此，对于值大于0的每个像素，将其重新分配为255。使用load()函数将图像转换为45×180矩阵，然后对其进行处理。

pixel_matrix = cropped_image.load()
for col in range(0, cropped_image.height):
 for row in range(0, cropped_image.width):
 if pixel_matrix[row, col] != 0:
 pixel_matrix[row, col] = 255
image.save("thresholded_image.png")

为了更加清晰，我将代码应用至原始图像上。

原图：

 

处理后：

 

可以看到处理后的图像中的非纯黑像素都已被移除，其中包括穿插图像的线条。

直到项目完成后，我才知道上述方法被称为图像处理中的阈值处理。

第四次观察 – 图像中有许多杂散像素。

循环遍历图像矩阵，如果相邻像素为白色，与相邻像素相对的像素也为白色，且中心像素为黑色的，则使中心像素为白色。

for column in range(1, image.height - 1):
 for row in range(1, image.width - 1):
 if pixel_matrix[row, column] == 0 \
 and pixel_matrix[row, column - 1] == 255 and pixel_matrix[row, column + 1] == 255 :
 pixel_matrix[row, column] = 255
 if pixel_matrix[row, column] == 0 \
 and pixel_matrix[row - 1, column] == 255 and pixel_matrix[row + 1, column] == 255:
 pixel_matrix[row, column] = 255

 

一个将按照字符排序的相似图像分组（约束条件：暗像素数量，相似度>= 90 – 95 %）

一个从每个分组字符中获得最佳图像

因此现在已生成了库图像。将它们转换为像素矩阵，并将“位图”存储为JSON文件。

最后，这是解决任何新的验证码图像的算法。

使用相同的算法减少新图像中不必要的干扰

对于新验证码图像中的每个字符，通过我生成的JSON位图强制执行。根据对应的暗像素匹配来计算相似度。

这意味着，如果一个像素为暗像素，在图像中的位置为（4,8），并且如果该像素在我们的骨架图像/位图中的相同位置处为暗像素，则计数值会递增1。

该计数与骨架图像中暗像素的数量相比，用于计算百分比匹配。

选择匹配率最高的字符。

import json
 characters = "123456789abcdefghijklmnpqrstuvwxyz"
 captcha = ""
 with open("bitmaps.json", "r") as f:
 bitmap = json.load(f)
 for j in range(image.width/6, image.width + 1, image.width/6):
 character_image = image.crop((j - 30, 12, j, 44))
 character_matrix = character_image.load()
 matches = {}
 for char in characters:
 match = 0
 black = 0
 bitmap_matrix = bitmap[char]
 for y in range(0, 32):
 for x in range(0, 30):
 if character_matrix[x, y] == bitmap_matrix[y][x] and bitmap_matrix[y][x] == 0:
 match += 1
 if bitmap_matrix[y][x] == 0:
 black += 1
 perc = float(match) / float(black)
 matches.update({perc: char[0].upper()})
 try:
 captcha += matches[max(matches.keys())]
 except ValueError:
 print("failed captcha")
 captcha += "0"
 print captcha

最终得到的结果如下：

 

可以看到验证码被成功识别为Z5M3MQ！

总结

这个项目对于我本人而言，也是一次非常好的学习经历。我还开发了一个 Chrome插件，目前有1800+的用户，欢迎大家安装使用！此外，如果你有任何的意见和建议也欢迎向我提出。以上的代码我已托管在GitHub，你可以 在这里找到 。

进群：125240963   即可获取源码哦