js_reverse/猿人学Web端爬虫攻防刷题平台/猿人学第8题-验证码图文点选

知识点:图像识别、去除干扰线、降噪、机器学习、headers请求顺序

一、解决点选坐标问题

需要破解的验证码图片

查看响应内容，可以正常返回明文的数据，那就证明搞定验证码就可以解开这道题目。

再查看请求内容，存在请求参数answer，仔细观察你会发现请求内容785|466|746|156|类似于点选验证码的坐标。

这里我用审查元素查看点选验证码的html，不难发现！这不就是div组合成的一个矩阵。

多次点击验证图片的坐标，做了下面这张图，可以清楚的知道图片具体的坐标范围

由此推断，图片和对应的值

第1个图片坐标值可以是（0～9）
第2个图片坐标值可以是（10～19）
第3个图片坐标值可以是（20～29）
第4个图片坐标值可以是（300～309）
第5个图片坐标值可以是（310～319）
第6个图片坐标值可以是（320～329）
第7个图片坐标值可以是（600～609）
第8个图片坐标值可以是（610～619）
第9个图片坐标值可以是（620～629）

这里就可以写一个python方法作为调用

def coordinate(num):
    coordinate_dict = {
        1: random.randint(0, 9),
        2: random.randint(10, 19),
        3: random.randint(20, 29),
        4: random.randint(300, 309),
        5: random.randint(310, 319),
        6: random.randint(320, 329),
        7: random.randint(600, 609),
        8: random.randint(610, 619),
        9: random.randint(620, 629)
    }
    return coordinate_dict.get(num)

二、图像去噪点处理

选出rgp颜色最多2个，进行降噪处理

def noise_image(img_file):
    """选出rgp颜色最多2个，进行降噪处理"""
    img = Image.open(img_file)
    # colors所有像素rgb值，counts对应的数量
    colors, counts = np.unique(np.array(img).reshape(-1, 3), axis=0, return_counts=True)
    # 排序
    ct = np.sort(counts)
    # 找到出现最多的2种颜色的个数
    top2_counts = ct[-2:].tolist()
    # 找到出现最多的2种颜色的下标
    subscript_list = []
    for k, v in list(enumerate(counts, start=0)):
        if v in top2_counts:
            subscript_list.append(k)
    # 找到出现最多的2种颜色的rgb值
    for subscript in subscript_list:
        color = colors[subscript]
        # 去除颜色
        turn_white(img, color[0], color[1], color[2])
    return img

移除干扰线条

def interference(img_file):
    """移除干扰线条"""
    img = Image.open(img_file)
    # 读取图片高，宽
    height, width = img.height, img.width
    # 首先创建一个空列表,用来存放出现在间隔当中的像素点
    line_list = []
    # 两个for循环,遍历9000次
    for x in range(width):
        for y in range(height):
            r, g, b = img.getpixel((x, y))
            if 0 < y < 10 or 96 < y < 105 or 199 < y < 209 or 292 < y < 299:
                line_list.append([r, g, b])
            if 0 < x < 20 or 109 < x < 120 or 209 < x < 220:
                line_list.append([r, g, b])

    arr = np.array(line_list)
    line_list = np.array(list(set([tuple(t) for t in arr])))
    # 处理像素 RGB 值
    for line in line_list:
        r = line[0]
        g = line[1]
        b = line[2]
        if not (r == 255 and g == 255 and b == 255):
            turn_white(img, r, g, b)
    return img

灰度转换

def binary(img_file, standard=205):
    """灰度转换"""
    img = Image.open(img_file)
    img = img.convert('L')
    pixels = img.load()
    for x in range(img.width):
        for y in range(img.height):
            if pixels[x, y] > standard:
                pixels[x, y] = 255
            else:
                pixels[x, y] = 0
    return img

增强字体显示效果

def enhance(img_file):
    """增强字体显示效果"""
    img = cv2.imread(img_file, 0)
    kernel = np.ones((2, 3), 'uint8')
    img = cv2.erode(img, kernel, iterations=2)
    return img

图片切割成单个字体便于识别

def image_clip(img_file):
    """图片切割成单个字体便于识别"""
    img = cv2.imread(img_file, 0)
    clip_imgs = []
    num = 1
    for y in range(0, 300, 100):
        for x in range(10, 300, 100):
            # 裁剪坐标为[y0:y1, x0:x1]
            cropped = img[y:y + 100, x:x + 100]
            clip_imgs.append(cropped)
            cv2.imwrite(f"./img_a/f-{num}.jpg", cropped)
            num += 1
    return clip_imgs

图片1

图片2

三、图像识别/机器学习

测试百度ocr、ddddocr、还尝试了自己训练模型，效果都不是很好，菜是原罪啊！最后发现科大讯飞ocr对这些生僻字识别效果还是不错的。

效果

headers请求顺序

验证码处理完了你会发现，还是不能正常返回数据，这大概率就是headers请求头问题

HEADERS = {
    'Proxy-Connection': 'keep-alive',
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'User-Agent': 'yuanrenxue.project',
    'X-Requested-With': 'XMLHttpRequest',
    'Referer': 'http://match.yuanrenxue.com/match/8',
    'Accept-Language': 'zh-CN,zh;q=0.9'
}
SESSION = requests.session()
SESSION.headers = HEADERS

req = SESSION.get(self.url)