本文主要通過(guò)一個(gè)簡(jiǎn)單的例子來(lái)實(shí)現(xiàn)破解驗(yàn)證碼，希望通過(guò)本文的分享，對(duì)大家學(xué)習(xí)python有所幫助，同時(shí)也能幫助大家更好的掌握和了解PIL 模塊的使用與破解驗(yàn)證碼的原理。

　　一、實(shí)驗(yàn)說(shuō)明

　　本實(shí)驗(yàn)將通過(guò)一個(gè)簡(jiǎn)單的例子來(lái)講解破解驗(yàn)證碼的原理，將學(xué)習(xí)和實(shí)踐以下知識(shí)點(diǎn)：

　　1. Python基本知識(shí)

　　2. PIL模塊的使用

　　二、實(shí)驗(yàn)內(nèi)容

　　安裝 pillow（PIL）庫(kù)：

　　$ 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 Image

　　im = 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(duì)應(yīng)位的顏色的像素的數(shù)量。

　　每個(gè)像素點(diǎn)可表現(xiàn)256種顏色，你會(huì)發(fā)現(xiàn)白點(diǎn)是最多（白色序號(hào)255的位置，也就是最后一位，可以看到，有625個(gè)白色像素）。紅像素在序號(hào)200左右，我們可以通過(guò)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：

　　255 625

　　212 365

　　220 186

　　219 135

　　169 132

　　227 116

　　213 115

　　234 21

　　205 18

　　184 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(guò)這一訊息構(gòu)造一種黑白二值圖片。

　　#-*- coding:utf8 -*-

　　from PIL import Image

　　im = 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(gè)字符圖片

　　接下來(lái)的工作是要得到單個(gè)字符的像素集合，由于例子比較簡(jiǎn)單，我們對(duì)其進(jìn)行縱向切割：

　　inletter = False

　　foundletter=Falsestart = 0end = 0

　　letters = []

　　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=False

　　print letters

　　輸出：

　　[(6, 14), (15, 25), (27, 35), (37, 46), (48, 56), (57, 67)]

　　得到每個(gè)字符開(kāi)始和結(jié)束的列序號(hào)。

　　import hashlibimport time

　　count = 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(duì)圖片進(jìn)行切割，得到每個(gè)字符所在的那部分圖片。

　　AI 與向量空間圖像識(shí)別

　　在這里我們使用向量空間搜索引擎來(lái)做字符識(shí)別，它具有很多優(yōu)點(diǎn)：

　　· 不需要大量的訓(xùn)練迭代

　　· 不會(huì)訓(xùn)練過(guò)度

　　· 你可以隨時(shí)加入／移除錯(cuò)誤的數(shù)據(jù)查看效果

　　· 很容易理解和編寫成代碼

　　· 提供分級(jí)結(jié)果，你可以查看最接近的多個(gè)匹配

　　· 對(duì)于無(wú)法識(shí)別的東西只要加入到搜索引擎中，馬上就能識(shí)別了。

　　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(wèn)題等等。

　　向量空間搜索引擎名字聽(tīng)上去很高大上其實(shí)原理很簡(jiǎn)單。拿文章里的例子來(lái)說(shuō)：

　　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(lái)選擇幾個(gè)關(guān)鍵單詞，選擇的單詞又被稱作特征，每一個(gè)特征就好比空間中的一個(gè)維度（x，y，z 等），一組特征就是一個(gè)矢量，每一個(gè)文檔我們都能得到這么一個(gè)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 math

　　class 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(huì)比較兩個(gè) 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(gè)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?？梢灾苯邮褂锰峁┑挠?xùn)練集合來(lái)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 d1

　　v = 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(duì)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(gè)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')

 

來(lái)源：程序員實(shí)驗(yàn)室