两种方式破解图片验证码

概述

目前主流的验证码分为交互型验证码和静态图片类验证码，数据类的网站使用的大多还是图片类的验证码（比如输入数字字母，四则运算计算等），在我们编写爬虫抓取数据的时候，经常会遭遇各类验证码，目前关于验证码的破解，github上的开源项目也很多，但大多随着时间的推移和验证码的升级，大多都是失效的。本文主要讲解后者验证码的破解。

准备数据

以X清所为例，在查询和抓取数据的时候，会有验证码需要附加到后续请求中，才能正确请求到数据，该网站验证码如下（我这里使用文件名对各个验证码结果进行了标注，后续学习要用到）：

一般网站对验证码显示的链接地址没有任何仿爬限制，所以我们可以直接调用地址，将图片下载到本地以便标注：

def download_pic(url,folder = 'mm',num=100):
    my_file = Path(folder)
    if(not my_file.is_dir()):
        os.mkdir(folder)
    os.chdir(folder)
    for i in range(num):
        print('正在抓取：%d/%d' % (i+1,num ))
        urllib.request.urlretrieve(url,filename='./'+str(uuid.uuid4())+'.jpg')
if __name__  ==  '__main__':
    download_pic('验证码地址',folder='存放目录',num=10) # 下载图片数量

有时候，对我们下载下来的图片需要一些裁减处理，这时候你就可以使用opencv库了，非常方便，比如我们想裁减掉图中的运算符仅仅几句代码就搞定（截出四个数字符）：

image = cv2.imread(图片路径)
image1 = image[0:28, 2:20]
image2 = image[0:28, 20:34]
image3 = image[0:28, 50:64]
image4 = image[0:28, 64:78]
img = np.hstack((image1,image2,image3,image4))
cv2.imwrite(fullname, img)

所以数据准备阶段，主要完成的工作就是下载验证码，使用opencv预处理图片，验证码标注工作（一般至少需标注5000张图片以上）。

两种破解思路

OCR识别

图片类验证码使用目前市面上的开源接口大多无法识别出结果，因为图片背景往往具有干扰线或背景导致OCR识别难度加大，通用OCR的识别能对肉眼看到的比较明显的验证码进行破解，以下是破解效果：

可以通过反复调用网站验证码和检验验证码接口，一般也能达到破解验证码的效果，当然，也可以使用OCR标注工具，对验证码出现字符的坐标位置进行标注，以便提高验证码识别效果，实际操作下来，效果区别不大。实践中发现，这种方式破解静态验证码效果较好，一般都能在五次内破解成功

通过AI算法训练

CTT模型方面使用的简单的CRNN-CTC结构，输入形为CHW的图像在经过CNN->Flatten->Linear->RNN->Linear后输出图像中每个位置所对应的字符概率。考虑到CTC解码器在面对图像中元素数量不一、相邻元素重复时会存在无法正确对齐等情况，故额外添加一个类别代表“分隔符”进行改善。CTC相关论文：Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neu 本文使用开源的Paddle项目进行编写，我们标注了4000张验证码，实际使用下来准确率达到35%左右，和直接使用OCR差别不大，以下是训练代码：

# 实例化模型
model = pp.Model(Net(), inputs=input_define, labels=label_define)
# 定义优化器
optimizer = pp.optimizer.Adam(learning_rate=0.0001, parameters=model.parameters())
# 为模型配置运行环境并设置该优化策略
model.prepare(optimizer=optimizer,
                loss=CTCLoss(),
                metrics=SeqAcc(blank=10))
callback = pp.callbacks.VisualDL(log_dir='visualdl_log_dir_2')
model.fit(train_data=Reader(DATA_PATH),
            eval_data=Reader(DATA_PATH, is_val=True),
            batch_size=BATCH_SIZE,
            epochs=EPOCH,
            save_dir="output/",
            save_freq=1,
            log_freq=100,
            callbacks=callback,
            drop_last=True)

训练后的模型可以直接用于预测：

# 实例化推理模型
model = pp.Model(Net(is_infer=True), inputs=input_define)
# 加载训练好的参数模型
model.load(CHECKPOINT_PATH)
# 设置运行环境
model.prepare()
# 加载预测Reader
infer_reader = InferReader(INFER_DATA_PATH)
img_names = infer_reader.get_names()
results = model.predict(infer_reader, batch_size=BATCH_SIZE)
index = 0
# 创建Label映射表，如果为其它数据集，需要保证每个数字有对应符号，例如{1: "A", 2: "B", ...}
label_dict = dict([(i, str(i)) for i in range(11)])
ctc_decoder = CTCDecoder(label_dict, blank=4)
for text_batch in results[0]:
    for prob in text_batch:
        out = ctc_decoder.decoder(prob)
        print(f"文件名：{img_names[index]}，推理结果为：{out}")
        index += 1

你可以继续阅读：

一款自动生成后台代码的管理系统的设计与实现 | “大”中台，“小”前端的架构演变| 云服务平台中推送服务的设计与实现 | 对微服务的理解以及实现一套微服务对外发布API管理平台 | 项目开发中常用的设计模式整理 | 异构语言调用平台的设计与实现 | 大话正则表达式 | 云API平台的设计与实现 | 个税改了，工资少了，不要慌！文末附计算器

关注我们的公众号 

长按识别二维码关注我们