python怎么识别动态验证码和滑动验证码

本篇内容主要讲解“python怎么识别动态验证码和滑动验证码”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“python怎么识别动态验证码和滑动验证码”吧!

目录

• 前言

• 一、动态验证码 

• 二、滑动验证码

• 三、验证码的降噪

• 四、验证码的识别

  
  

前言

python对动态验证码、滑动验证码的降噪和识别，在各种自动化操作中，我们经常要遇到沿跳过验证码的操作，而对于验证码的降噪和识别，的确困然了很多的人。这里我们就详细讲解一下不同验证码的降噪和识别。

一、动态验证码 

• 动态验证码是服务端生成的，点击一次，就会更换一次，这就会造成很多人在识别的时候，会发现验证码一直过期

• 这是因为，如果你是把图片下载下来，进行识别的话，其实在下载的这个请求中，其实相当于点击了一次，这个验证码的内容已经被更换了

• 最好的方法是，打开这个页面后，将页面进行截图，然后定位到验证码的位置，将验证码从截图上面裁剪下来进行识别，这样就不会造成多次请求，验证码更换的情况了

from selenium import webdriver from PIL import Image   # 实例化浏览器 driver = webdriver.Chrome()   # 最大化窗口 driver.maximize_window()   # 打开登陆页面 driver.get(# 你的url地址)   # 保存页面截图 driver.get_screenshot_as_file('./screen.png')   # 定位验证码的位置 location = driver.find_element_by_id('login_yzm_img').location size = driver.find_element_by_id('login_yzm_img').size left = location['x'] top =  location['y'] right = location['x'] + size['width'] bottom = location['y'] + size['height']   # 裁剪保存 img = Image.open('./screen.png').crop((left,top,right,bottom)) img.save('./code.png')   driver.quit()

二、滑动验证码

• 滑动验证码，通常是两个滑块图片，将小图片滑动到大图片上的缺口位置，进行重合，即可通过验证

• 对于滑动验证码，我们就要识别大图上面的缺口位置，然后让小滑块滑动响应的位置距离，即可

• 而为了让你滑动起来，更加的拟人化，你需要一个滑动的路径，模拟人为去滑动，而不是机器去滑动

# 下载两个滑块 bg = self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[2]/img[1]').get_attribute('src') slider = self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[2]/img[2]').get_attribute('src')   request.urlretrieve(bg, os.getcwd() + '/bg.png') request.urlretrieve(slider, os.getcwd() + '/slider.png')     # 获取两个滑块偏移量方法 def getGap(self, sliderImage, bgImage):     '''     Get the gap distance     :param sliderImage: the image of slider     :param bgImage: the image of background     :return: int     '''     bgImageInfo = cv2.imread(bgImage, 0)     bgWidth, bgHeight = bgImageInfo.shape[::-1]     bgRgb = cv2.imread(bgImage)     bgGray = cv2.cvtColor(bgRgb, cv2.COLOR_BGR2GRAY)       slider = cv2.imread(sliderImage, 0)     sliderWidth, sliderHeight = slider.shape[::-1]       res = cv2.matchTemplate(bgGray, slider, cv2.TM_CCOEFF)     a, b, c, d = cv2.minMaxLoc(res)     # print(a,b,c,d)     # 正常如下即可     # return c[0] if abs(a) >= abs(b) else d[0]     # 但是头条显示验证码的框跟验证码本身的像素不一致，所以需要根据比例计算     if abs(a) >= abs(b):         return c[0] * bgWidth / (bgWidth - sliderWidth)     else:         return d[0] * bgWidth / (bgWidth - sliderWidth)   # 移动路径方法 def getTrack(self, distance):     '''     Get the track by the distance     :param distance: the distance of gap     :return: list     '''     # 移动轨迹     track = []     # 当前位移     current = 0     # 减速阈值     mid = distance * 4 / 5     # 计算间隔     t = 0.2     # 初速度     v = 0       while current < distance:         if current < mid:             # 加速度为正2             a = 2         else:             # 加速度为负3             a = -3         # 初速度v0         v0 = v         # 当前速度v = v0 + at         v = v0 + a * t         # 移动距离x = v0t + 1/2 * a * t^2         move = v0 * t + 1 / 2 * a * t * t         # 当前位移         current += move         # 加入轨迹         track.append(round(move))     return track     # 滑动到缺口位置 def moveToGap(self, track):     '''     Drag the mouse to gap     :param track: the track of mouse     :return: None     '''     ActionChains(self.driver).click_and_hold(self.driver.find_element_by_xpath('//*[@id="captcha_container"]/div/div[3]/div[2]/div[2]/div')).perform()     while track:         x = random.choice(track)         ActionChains(self.driver).move_by_offset(xoffset=x, yoffset=0).perform()         track.remove(x)     time.sleep(0.5)     ActionChains(self.driver).release().perform()

三、验证码的降噪

验证码的降噪，只是为了处理验证码图像上的多余的线条和干扰线，让你后期识别更加的准确，提高识别的准确度

第一步：可以进行灰度转化

img = cv2.imread('yzm.png') # 将图片灰度化处理,降维,加权进行灰度化c gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) cv2.imshow('min_gray',gray)   cv2.waitKey(0) cv2.destroyAllWindows()

第二步： 二值化处理

import cv2   img = cv2.imread('yzm.png') # 将图片灰度化处理,降维,加权进行灰度化c gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)   t,gray2 = cv2.threshold(gray,220,255,cv2.THRESH_BINARY)   cv2.imshow('threshold',gray2)   cv2.waitKey(0) cv2.destroyAllWindows()

第三步：噪点过滤

import cv2   img = cv2.imread('yzm.png') # 将图片灰度化处理,降维,加权进行灰度化c gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)   t,gray2 = cv2.threshold(gray,220,255,cv2.THRESH_BINARY)   def remove_noise(img, k=4):     img2 = img.copy()       #     img处理数据，k过滤条件     w, h = img2.shape       def get_neighbors(img3, r, c):         count = 0         for i in [r - 1, r, r + 1]:             for j in [c - 1, c, c + 1]:                 if img3[i, j] > 10:  # 纯白色                     count += 1         return count       #     两层for循环判断所有的点     for x in range(w):         for y in range(h):             if x == 0 or y == 0 or x == w - 1 or y == h - 1:                 img2[x, y] = 255             else:                 n = get_neighbors(img2, x, y)  # 获取邻居数量，纯白色的邻居                 if n > k:                     img2[x, y] = 255     return img2     result = remove_noise(gray2) cv2.imshow('8neighbors', result)   cv2.waitKey(0) cv2.destroyAllWindows()

四、验证码的识别

通常我们会使用tesserocr识别验证码，但是这个库有很大的局限性，识别率低，即时降噪效果很好，有很少的线条，也会不准确，这种识别方式并不十分推荐

所以我们一般会使用第三方的接口进行识别，比如阿里的图片识别、腾讯也都是有的

这些第三方接口需要自己接入识别接口

#识别降噪后的图片 code = tesserocr.image_to_text(nrImg)   #消除空白字符 code.strip()   #打印 print(code)

到此，相信大家对“python怎么识别动态验证码和滑动验证码”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！