如何通過Python做文字識別到破解圖片驗證碼

這篇文章給大家分享的是有關如何通過Python做文字識別到破解圖片驗證碼的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

前期準備

1. 安裝包，直接在終端上輸入pip指令即可：

# 發送瀏覽器請求
pip3 install requests
# 文字識別
pip3 install pytesseract
# 圖片處理
pip3 install Pillow

2. 新建項目

需要的模塊安裝好后，新建一個項目wordsDistinguish。

在項目包下新建三個.py文件

test_pytesseract 和 test_pillow、case_verification。

test_pytesseract：模塊 pytesseract 的基本使用測試
test_pillow：模塊 Pillow 的基本使用測試
case_verification：實戰案例，破解網站圖片驗證碼驗證

涉及知識

1.Pillow 中的 Image

Python圖像庫中最重要的類是 Image，在模塊中定義的具有相同名稱的類。

可以通過多種方式創建此類的實例; 通過從文件加載圖像，處理其他圖像或從頭開始創建圖像。

# -*- coding: utf-8 -*-


# 注意：print_function的導入必須在Image之前，否則會報錯
from __future__ import print_function
from PIL import Image
"""
pillow 模塊 中 Image 的基本使用
"""


# 1.打開圖片
im = Image.open("../wordsDistinguish/test1.jpg")
print(im)

# 2.查看圖片文件內容
print("圖片文件格式："+im.format)
print("圖片大小："+str(im.size))
print("圖片模式："+im.mode)

# 3.顯示當前圖片對象
im.show()

# 4.修改圖片大小，格式，保存
size = (50, 50)
im.thumbnail(size)
im.save("1.jpg", "PNG")

# 5.圖片模式轉化并保存，L 表示灰度 RGB 表示彩色
im = im.convert("L")
im.save("test1.jpg")

2. 基于 Tesseract-OCR 的 pytesseract

Python-tesseract是python的光學字符識別（OCR）工具。也就是說，它將識別并“讀取”嵌入圖像中的文本。

Python-tesseract是Google的Tesseract-OCR引擎的包裝器。

它作為獨立的調用腳本也很有用，因為它可以讀取Pillow和Leptonica成像庫支持的所有圖像類型，包括jpeg，png，gif，bmp，tiff等。

此外，如果用作腳本，Python-tesseract將打印已識別的文本，而不是將其寫入文件。

要在你的電腦上使用pytesseract模塊，你還需要安裝 Tesseract-OCR ，Mac上安裝該工具我比較建議使用Homebrew，安裝好后，直接在終端輸入下面指令即可：

Windows下安裝的話直接下載包即可，然后把其加入系統環境變量（即加入Path里），比較傻白甜，可以百度一下。

# -*- coding: utf-8 -*-

# 從 Pillow 中導入圖片處理模塊 Image
from PIL import Image
# 導入基于 Tesseract 的文字識別模塊 pytesseract
import pytesseract
"""
@pytesseract：https://github.com/madmaze/pytesseract
"""

# 打開圖片
im = Image.open("../wordsDistinguish/Resources/1.jpg")
# 識別圖片內容
text = pytesseract.image_to_string(im)
print(text)

1. 準備過程

登錄過程中需要輸入三個數據：賬號、密碼、驗證碼，首先在瀏覽器內實際登錄一次，按F12查看登錄流程。

輸入賬號密碼，和驗證碼，點擊登錄，注意Network內的變化。

2. 代碼敲起來

現在模擬登錄過程的難點主要有：驗證碼的識別和傳遞。

a.驗證碼識別我們根據前面的知識知識里的，直接采用pytesseract模塊。b.登錄參數傳遞，利用requests庫發送post請求即可，問題是如何把驗證碼和登錄聯系起來.

通過前面分析我們知道

驗證碼是在

“https://so.gushiwen.org/RandCode.ashx”里生成的，

而登錄頁面是

“https://so.gushiwen.org/user/login.aspx”，分析發現。

正常瀏覽器登錄這兩個網址的cookie是一致的，并且都帶有時間戳，所以，只要在代碼請求時保證兩者的cookie一致即可，這里我們利用requests庫的session方法可以實現。

# -*- coding: utf-8 -*-

# 從 Pillow 中導入圖片處理模塊 Image
from PIL import Image
# 導入基于 Tesseract 的文字識別模塊 pytesseract
import pytesseract
# 導入發送網絡請求的庫 requests
import requests
# 導入正則庫 re
import re
"""
模擬登錄，破解字母數字圖片驗證碼
目標網站：https://so.gushiwen.org
"""
# 請求頭
headers = {
        "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.87 Safari/537.36"
    }
# 通過requests 創建一個 session 會話，保持兩次訪問 cookie 值相同
session = requests.session()


# 下載識別驗證碼圖片函數
def get_verification():
    # 生成驗證碼圖片url
    url = "https://so.gushiwen.org/RandCode.ashx"
    # 通過session發送get請求，獲取驗證碼
    resp = session.get(url, headers=headers)
    # 將驗證碼保證到本地
    with open(r"../wordsDistinguish/Resources/test.jpg", 'wb') as f:
        f.write(resp.content)
    # 打開驗證碼圖片文件
    im = Image.open(r"../wordsDistinguish/Resources/test.jpg")
    # 基本處理，灰度處理，提升識別準確率
    # 保存處理后的圖片
    im.save("test.jpg")
    # 利用pytesseract進行圖片內容識別
    text = pytesseract.image_to_string(im)
    # 去除識別結果中的非數字/字母內容
    text = re.sub("\W", "", text)
    # 返回驗證碼內容
    return text


def do_login():

    i = 0   # 識別錯誤次數
    # 獲取驗證碼
    captcha = get_verification()
    # 基本檢驗，驗證碼位數必須為四位
    while len(captcha) != 4:
        captcha = get_verification()
        i = i + 1  # i+=1
        print("第%d次識別錯誤" % i)

    print("開始登錄，驗證碼為："+captcha)
    # 傳遞的登錄參數
    data = {
        "from": "http://so.gushiwen.org/user/collect.aspx",
        "email": "你的注冊郵箱",
        "pwd": "你的登錄密碼",
        "code": captcha,
        "denglu": "登錄"
    }
    # 登錄地址
    url = "https://so.gushiwen.org/user/login.aspx"
    # 利用 session 發送post請求
    response = session.post(url, headers=headers, data=data)
    # 打印登錄后的狀態碼
    print(response.status_code)
    # 保存登錄后的頁面內容，進一步確認是否登錄成功
    with open("gsww.html", encoding="utf-8", mode="w") as f:
        f.write(response.content.decode())


# 開始程序
if __name__ == "__main__":
    do_login()

3. 運行結果

a.控制臺顯示一次驗證成功，返回狀態碼為：200，訪問正常。

b.進一步檢查，對獲取到的源碼進行檢查

我們在瀏覽器觀察登錄后的頁面發現，只有登錄后的頁面才有賬號管理模塊。

其中有用戶的唯一標識：綁定郵箱的后幾位，我的是50471@qq.com。

感謝各位的閱讀！關于“如何通過Python做文字識別到破解圖片驗證碼”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！