一、前言
本實(shí)驗(yàn)將通過一個簡單的例子來講解破解驗(yàn)證碼的原理，將學(xué)習(xí)和實(shí)踐以下知識點(diǎn)：
Python基本知識
PIL模塊的使用
二、實(shí)例詳解
安裝 pillow（PIL）庫：
$ sudo apt-get update$ sudo apt-get install python-dev$ sudo apt-get install libtiff5-dev libjpeg8-dev zlib1g-dev /libfreetype6-dev liblcms2-dev libwebp-dev tcl8.6-dev tk8.6-dev python-tk$ sudo pip install pillow
下載實(shí)驗(yàn)用的文件：
$ wget http://labfile.oss.aliyuncs.com/courses/364/python_captcha.zip$ unzip python_captcha.zip$ cd python_captcha
這是我們實(shí)驗(yàn)使用的驗(yàn)證碼 captcha.gif
提取文本圖片
在工作目錄下新建 crack.py 文件，進(jìn)行編輯。
#-*- coding:utf8 -*-from PIL import Imageim = Image.open("captcha.gif")#(將圖片轉(zhuǎn)換為8位像素模式)im = im.convert("P")#打印顏色直方圖print im.histogram()輸出：
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0 , 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 2, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 2, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 2, 1, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0 , 1, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0, 0, 1, 2, 0, 1, 0, 0, 1, 0, 2, 0, 0, 1, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 3, 1, 3, 3, 0, 0, 0, 0, 0, 0, 1, 0, 3, 2, 132, 1, 1, 0, 0, 0, 1, 2, 0, 0, 0, 0, 0, 0, 0, 15, 0 , 1, 0, 1, 0, 0, 8, 1, 0, 0, 0, 0, 1, 6, 0, 2, 0, 0, 0, 0, 18, 1, 1, 1, 1, 1, 2, 365, 115, 0, 1, 0, 0, 0, 135, 186, 0, 0, 1, 0, 0, 0, 116, 3, 0, 0, 0, 0, 0, 21, 1, 1, 0, 0, 0, 2, 10, 2, 0, 0, 0, 0, 2, 10, 0, 0, 0, 0, 1, 0, 625]
顏色直方圖的每一位數(shù)字都代表了在圖片中含有對應(yīng)位的顏色的像素的數(shù)量。
每個像素點(diǎn)可表現(xiàn)256種顏色，你會發(fā)現(xiàn)白點(diǎn)是最多（白色序號255的位置，也就是最后一位，可以看到，有625個白色像素）。紅像素在序號200左右，我們可以通過排序，得到有用的顏色。
his = im.histogram()values = {}for i in range(256): values[i] = his[i]for j,k in sorted(values.items(),key=lambda x:x[1],reverse = True)[:10]: print j,k輸出：
255 625212 365220 186219 135169 132227 116213 115234 21205 18184 15
我們得到了圖片中最多的10種顏色，其中 220 與 227 才是我們需要的紅色和灰色，可以通過這一訊息構(gòu)造一種黑白二值圖片。
#-*- coding:utf8 -*-from PIL import Imageim = Image.open("captcha.gif")im = im.convert("P")im2 = Image.new("P",im.size,255)for x in range(im.size[1]): for y in range(im.size[0]): pix = im.getpixel((y,x)) if pix == 220 or pix == 227: # these are the numbers to get im2.putpixel((y,x),0)im2.show()得到的結(jié)果：
提取單個字符圖片
接下來的工作是要得到單個字符的像素集合，由于例子比較簡單，我們對其進(jìn)行縱向切割：
inletter = Falsefoundletter=Falsestart = 0end = 0letters = []for y in range(im2.size[0]): for x in range(im2.size[1]): pix = im2.getpixel((y,x)) if pix != 255: inletter = True if foundletter == False and inletter == True: foundletter = True start = y if foundletter == True and inletter == False: foundletter = False end = y letters.append((start,end)) inletter=Falseprint letters
輸出：
[(6, 14), (15, 25), (27, 35), (37, 46), (48, 56), (57, 67)]
得到每個字符開始和結(jié)束的列序號。
import hashlibimport timecount = 0for letter in letters: m = hashlib.md5() im3 = im2.crop(( letter[0] , 0, letter[1],im2.size[1] )) m.update("%s%s"%(time.time(),count)) im3.save("./%s.gif"%(m.hexdigest())) count += 1(接上面的代碼)
對圖片進(jìn)行切割，得到每個字符所在的那部分圖片。
AI 與向量空間圖像識別
在這里我們使用向量空間搜索引擎來做字符識別，它具有很多優(yōu)點(diǎn)：
當(dāng)然它也有缺點(diǎn)，例如分類的速度比神經(jīng)網(wǎng)絡(luò)慢很多，它不能找到自己的方法解決問題等等。
向量空間搜索引擎名字聽上去很高大上其實(shí)原理很簡單。拿文章里的例子來說：
你有 3 篇文檔，我們要怎么計(jì)算它們之間的相似度呢？2 篇文檔所使用的相同的單詞越多，那這兩篇文章就越相似！但是這單詞太多怎么辦，就由我們來選擇幾個關(guān)鍵單詞，選擇的單詞又被稱作特征，每一個特征就好比空間中的一個維度（x，y，z 等），一組特征就是一個矢量，每一個文檔我們都能得到這么一個矢量，只要計(jì)算矢量之間的夾角就能得到文章的相似度了。
用 Python 類實(shí)現(xiàn)向量空間：
import mathclass VectorCompare: #計(jì)算矢量大小 def magnitude(self,concordance): total = 0 for word,count in concordance.iteritems(): total += count ** 2 return math.sqrt(total) #計(jì)算矢量之間的 cos 值 def relation(self,concordance1, concordance2): relevance = 0 topvalue = 0 for word, count in concordance1.iteritems(): if concordance2.has_key(word): topvalue += count * concordance2[word] return topvalue / (self.magnitude(concordance1) * self.magnitude(concordance2))
它會比較兩個 python 字典類型并輸出它們的相似度（用 0～1 的數(shù)字表示）
將之前的內(nèi)容放在一起
還有取大量驗(yàn)證碼提取單個字符圖片作為訓(xùn)練集合的工作，但只要是有好好讀上文的同學(xué)就一定知道這些工作要怎么做，在這里就略去了。可以直接使用提供的訓(xùn)練集合來進(jìn)行下面的操作。
iconset目錄下放的是我們的訓(xùn)練集。
最后追加的內(nèi)容：
#將圖片轉(zhuǎn)換為矢量def buildvector(im): d1 = {} count = 0 for i in im.getdata(): d1[count] = i count += 1 return d1v = VectorCompare()iconset = ['0','1','2','3','4','5','6','7','8','9','0','a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z']#加載訓(xùn)練集imageset = []for letter in iconset: for img in os.listdir('./iconset/%s/'%(letter)): temp = [] if img != "Thumbs.db" and img != ".DS_Store": temp.append(buildvector(Image.open("./iconset/%s/%s"%(letter,img)))) imageset.append({letter:temp})count = 0#對驗(yàn)證碼圖片進(jìn)行切割for letter in letters: m = hashlib.md5() im3 = im2.crop(( letter[0] , 0, letter[1],im2.size[1] )) guess = [] #將切割得到的驗(yàn)證碼小片段與每個訓(xùn)練片段進(jìn)行比較 for image in imageset: for x,y in image.iteritems(): if len(y) != 0: guess.append( ( v.relation(y[0],buildvector(im3)),x) ) guess.sort(reverse=True) print "",guess[0] count += 1得到結(jié)果
一切準(zhǔn)備就緒，運(yùn)行我們的代碼試試：
python crack.py
輸出
(0.96376811594202894, '7')(0.96234028545977002, 's')(0.9286884286888929, '9')(0.98350370609844473, 't')(0.96751165072506273, '9')(0.96989711688772628, 'j')
是正解，干得漂亮。
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助，如果有疑問大家可以留言交流。
新聞熱點(diǎn)
疑難解答
圖片精選
