一、前言
本實驗將通過一個簡單的例子來講解破解驗證碼的原理，將學習和實踐以下知識點：
Python基本知識
PIL模塊的使用
二、實例詳解
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
下載實驗用的文件：
$ wget http://labfile.oss.aliyuncs.com/courses/364/python_captcha.zip$ unzip python_captcha.zip$ cd python_captcha
這是我們實驗使用的驗證碼 captcha.gif
提取文本圖片
在工作目錄下新建 crack.py 文件，進行編輯。
#-*- coding:utf8 -*-from PIL import Imageim = Image.open("captcha.gif")#(將圖片轉換為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字都代表了在圖片中含有對應位的顏色的像素的數量。
每個像素點可表現256種顏色，你會發現白點是最多（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，它具有很多優點：
當然它也有缺點，例如分類的速度比神經網絡慢很多，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，只要計算矢量之間的夾角就能得到文章的相似度了。
用 Python 類實現向量空間：
import mathclass VectorCompare: #計算矢量大小 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 的數字表示）
將之前的內容放在一起
還有取大量驗證碼提取單個字符圖片作為訓練集合的工作，但只要是有好好讀上文的同學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練集合來進行下面的操作。
iconset目錄下放的是我們的訓練集。
最后追加的內容：
#將圖片轉換為矢量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#對驗證碼圖片進行切割for letter in letters: m = hashlib.md5() im3 = im2.crop(( letter[0] , 0, letter[1],im2.size[1] )) guess = [] #將切割得到的驗證碼小片段與每個訓練片段進行比較 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得到結果
一切準備就緒，運行我們的代碼試試：
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
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習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
疑難解答
