0%

验证码简介 以及用tesseract -OCR识别验证码

本文内容:

  • 简单介绍验证码
  • 用tesseract -OCR识别验证码 ## 现在验证码

简单的验证码比如如下:

百度的

当然也有比较不一样的验证码:

如知乎时让我们点击倒立的文字

比如geetest的滑动验证

比如12306的被人吐槽的变态验证码:

 

验证码的作用

验证码是一种较为粗暴的人机判别方式,通过识别提交的验证码是否正确来判断是否是正常的用户,而非机器。

那么有什么用呢?正常来说,对于一个WEB应用,正常的用户会按照操作的流程来使用功能。而总有一些“刁民” 会采用其他的方法,比如直接用程序来模拟自己的行为来得到某些便利。如:选课的时候进行刷课,看看有没有剩余,有的话就选上,毕竟一直盯着费时费力;还有刷票,比如春运 。还有恶意的用户通过枚举密码来暴力破解其它用户的密码……

而有了验证码之后呢?你必须要能够准确的识别出验证码才能实现你的目的。比如你要用程序以枚举的方式暴力破解别人的 ,要是你的程序识别不出验证码,那么你就无法完成这项工作。

验证码主要原理

验证码是如何实现的呢?

首先,可以生成随机的字符串,然后保持在session中,然后通过各种绘图方式将文字输出到图片上(可以假如扭曲、变形、旋转等干扰)。用户提交时,服务器端验证用户提交的验证码是否和session中一致,若不一致返回验证码错误。此外,可能用到AJAX进行验证码更新(如点击换个验证码)

简单的验证码破解

国科大教务处现在也有验证码了!

老实说,上面那个说刷课啥的就是我 (→_→) 现在有了验证码,登录不上去怎么办!

下面以UCAS的教务处的密码为例,来介绍用OCR识别的方式来识别验证码。

UCAS的验证码

UCAS的验证码如下:

看上去挺简单的~

经过观察发现,貌似只有小写和数字,然后看验证码2连两个r都长一样,说明其干扰其实挺弱的,就那么几种。

我们直接用OCR(Optical Character Recognition,光学字符识别)即可,比如google的tesseract-OCR

安装ocr

  • windows下安装:http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.00dev.exe

    • 安装时候勾选 Registry settings
    • 安装后重起
  • Linux://github.com/tesseract-ocr/tesseract/wiki

使用

其使用方式简单,命令行为:

  • tesseract a.png result

上述命令生成了result.txt文件,文件中为识别的结果

要在屏幕中直接输出呢?

  • tesseract a.png stdout

python代码

只需要几行即可

1
2
3
def image_to_string(img):
    res = subprocess.check_output('tesseract ' + img + ' stdout').decode()
    return (re.subn('\W', '', res.strip()) if res else ('', ''))[0].lower()

上述的代码使用了subprocess来调用tesseract,并获取返回结果。

由于tesseract-OCR识别可能有非字母非数字的(比如空格),我们用正则表达式去除,然后最后小写并返回。

提高识别率

上面简单的调用可能有的处理不是很好,如上面的第一个例子识别为zgta,我们希望能去除背景等来让整个验证码更加的干净,以便于识别。

于是先进行预处理,将其小于某个阈值的设为0,大于阈值的设为255,然后二值化,此外,把四周的黑框去除了。

这里使用了python的装饰器(这是一种添加新功能很好的设计模式):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import os
import re
import subprocess
from PIL import Image

devnull = open(os.devnull, 'w')
cut_size = 1

def pre_process(func):
def _wrapper(filename):
image = Image.open(filename).point(lambda p: 255 if p > 127 else 0).convert("1")
w, h = image.size
image = image.crop((cut_size, cut_size, w - cut_size, h - cut_size))
save_name = filename + '1.jpg'
image.save(save_name)
res = func(save_name)
os.remove(save_name)
return res
return _wrapper

@pre_process
def image_to_string(img):
res = subprocess.check_output('tesseract ' + img + ' stdout', stderr=devnull).decode() # tesseract a.png result
return (re.subn('\W', '', res.strip()) if res else ('', ''))[0].lower()


现在我们可以正确的第一个样例啦。

处理后效果如下:

测试识别率

为了能更好的测试,于是使用如下的代码下载200张图,然后进行人工标注

1
2
3
4
5
6
7
8
9
10
11
12
def download_verification_code(save_name):
    r = requests.get('http://sep.ucas.ac.cn/changePic', stream=True)
    with open('./img/'+save_name+'.jpg', 'wb') as f:
        for chunk in r.iter_content(chunk_size=1024):
            if chunk:  # filter out keep-alive new chunks
                f.write(chunk)
                f.flush()

if __name__ == '__main__':
    for i in range(200):
        print(i)
        download_verification_code(str(i))

测试代码如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import os
from ocr_test import image_to_string as img2str1
from MyOCR import image_to_string as img2str2
from multiprocessing import Pool

def judge(name):
    target = name.split('.')[0]
    predict1 = img2str1('./img/' + name)  # pre
    predict2 = img2str2('./img/' + name)
    return [predict1 == target, predict2 == target]

if __name__ == '__main__':
    files = next(os.walk('./img/'))[2]
    with Pool(3) as pool:
        res = pool.map(judge, files)

    total = len(files)
    c1 = sum([x[0] for x in res])
    c2 = sum([x[1] for x in res])
    print(c1, c1 / total)  # 70 0.35
    print(c2, c2 / total)  # 63 0.315

可以看出有预处理的提升了不少。

小结

上面我们偷懒使用tesseract-OCR,得到了33%左右的正确率。

其实可以通过简单的训练应该就可以很好的正确率,因为标注的时候发现很多字母或者数字是长一样的。

PS: 登录脚本的话可以进行优化,比如识别的需要4个字母或者数字,如果不是就重新获取验证码,这样能减少服务器说验证码错误的次数。

目前登录成功一次平均需要2.6次的尝试,还算可以。

其它

请我喝杯咖啡吧~