如何經過 Serverless 輕鬆識別驗證碼？
做者 | 江昱
來源 | Serverless 公衆號css
前言
Serverless 概念自被提出就倍受關注，尤爲是近些年來 Serverless 煥發出了史無前例的活力，各領域的工程師都在試圖將 Serverless 架構與自身工做相結合，以獲取到 Serverless 架構所帶來的「技術紅利」。html
驗證碼(CAPTCHA)是「Completely Automated Public Turing test to tell Computers and Humans Apart」（全自動區分計算機和人類的圖靈測試）的縮寫，是一種區分用戶是計算機仍是人的公共全自動程序。能夠防止惡意破解密碼、刷票、論壇灌水，有效防止某個黑客對某一個特定註冊用戶用特定程序暴力破解方式進行不斷地登錄嘗試。實際上驗證碼是如今不少網站通行的方式，咱們利用比較簡易的方式實現了這個功能。CAPTCHA 的問題由計算機生成並評判，可是這個問題只有人類才能解答，計算機是沒法解答的，因此回答出問題的用戶就能夠被認爲是人類。說白了，驗證碼就是用來驗證的碼，驗證是人訪問的仍是機器訪問的「碼」。前端
那麼人工智能領域中的驗證碼識別與 Serverless 架構會碰撞出哪些火花呢？本文將經過 Serverless 架構和卷積神經網絡（CNN）算法，實現驗證碼識別功能。python
淺談驗證碼
驗證碼的發展，能夠說是很是迅速的，從開始的單純數字驗證碼，到後來的數字+字母驗證碼，再到後來的數字+字母+中文的驗證碼以及圖形圖像驗證碼，單純的驗證碼素材已經愈來愈多了。從驗證碼的形態來看，也是各不相同，輸入、點擊、拖拽以及短信驗證碼、語音驗證碼……git
Bilibili 的登陸驗證碼就包括了多種模式，例如滑動滑塊進行驗證：web
例如，經過依次點擊文字進行驗證：算法
而百度貼吧、知乎、以及 Google 等相關網站的驗證碼又各不相同，例如選擇正着寫的文字、選擇包括指定物體的圖片以及按順序點擊圖片中的字符等。docker
驗證碼的識別可能會根據驗證碼的類型而不太一致，固然最簡單的驗證碼可能就是最原始的文字驗證碼了：json
即使是文字驗證碼，也是存在不少差別的，例如簡單的數字驗證碼、簡單的數字+字母驗證碼、文字驗證碼、驗證碼中包括計算、簡單驗證碼中增長一些干擾成爲複雜驗證碼等。bootstrap
驗證碼識別
1. 簡單驗證碼識別
驗證碼識別是一個古老的研究領域，簡單說就是把圖片上的文字轉化爲文本的過程。最近幾年，隨着大數據的發展，廣大爬蟲工程師在對抗反爬策略時，對驗證碼的識別要求也愈來愈高。在簡單驗證碼的時代，驗證碼的識別主要是針對文本驗證碼，經過圖像的切割，對驗證碼每一部分進行裁剪，而後再對每一個裁剪單元進行類似度對比，得到最可能的結果，最後進行拼接，例如將驗證碼：
進行二值化等操做：
完成以後再進行切割：
切割完成再進行識別，最後進行拼接，這樣的作法是，針對每一個字符進行識別，相對來講是比較容易的。
可是隨着時間的發展，在這種簡單驗證碼逐漸沒法知足判斷「是人仍是機器」的問題時，驗證碼進行了一次小升級，即驗證碼上面增長了一些干擾線，或者驗證碼進行了嚴重的扭曲，增長了強色塊干擾，例如 Dynadot 網站的驗證碼：
不只有圖像扭曲重疊，還有干擾線和色塊干擾。這個時候想要識別驗證碼，簡單的切割識別就很難得到良好的效果了，這時經過深度學習反而能夠得到不錯的效果。
2. 基於 CNN 的驗證碼識別
卷積神經網絡（Convolutional Neural Network，簡稱 CNN），是一種前饋神經網絡，人工神經元能夠響應周圍單元，進行大型圖像處理。卷積神經網絡包括卷積層和池化層。
如圖所示，左圖是傳統的神經網絡，其基本結構是：輸入層、隱含層、輸出層。右圖則是卷積神經網絡，其結構由輸入層、輸出層、卷積層、池化層、全鏈接層構成。卷積神經網絡實際上是神經網絡的一種拓展，而事實上從結構上來講，樸素的 CNN 和樸素的 NN 沒有任何區別（固然，引入了特殊結構的、複雜的 CNN 會和 NN 有着比較大的區別）。相對於傳統神經網絡，CNN 在實際效果中讓咱們的網絡參數數量大大地減小，這樣咱們能夠用較少的參數，訓練出更加好的模型，典型的事半功倍，並且能夠有效地避免過擬合。一樣，因爲 filter 的參數共享，即便圖片進行了必定的平移操做，咱們照樣能夠識別出特徵，這叫作 「平移不變性」。所以，模型就更加穩健了。
1）驗證碼生成
驗證碼的生成是很是重要的一個步驟，由於這一部分的驗證碼將會做爲咱們的訓練集和測試集，同時最終咱們的模型能夠識別什麼類型的驗證碼，也是和這部分有關。
# coding:utf-8
import random
import numpy as np
from PIL import Image
from captcha.image import ImageCaptcha
CAPTCHA_LIST = [eve for eve in "0123456789abcdefghijklmnopqrsruvwxyzABCDEFGHIJKLMOPQRSTUVWXYZ"]
CAPTCHA_LEN = 4 # 驗證碼長度
CAPTCHA_HEIGHT = 60 # 驗證碼高度
CAPTCHA_WIDTH = 160 # 驗證碼寬度
randomCaptchaText = lambda char=CAPTCHA_LIST, size=CAPTCHA_LEN: "".join([random.choice(char) for _ in range(size)])
def genCaptchaTextImage(width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT, save=None):
image = ImageCaptcha(width=width, height=height)
captchaText = randomCaptchaText()
if save:
image.write(captchaText, './img/%s.jpg' % captchaText)
return captchaText, np.array(Image.open(image.generate(captchaText)))
print(genCaptchaTextImage(save=True))
經過上述代碼，能夠生成簡單的中英文驗證碼：
2）模型訓練
模型訓練的代碼以下（部分代碼來自網絡）。
util.py 文件，主要是一些提取出來的公有方法：
# -*- coding:utf-8 -*-
import numpy as np
from captcha_gen import genCaptchaTextImage
from captcha_gen import CAPTCHA_LIST, CAPTCHA_LEN, CAPTCHA_HEIGHT, CAPTCHA_WIDTH
# 圖片轉爲黑白，3維轉1維
convert2Gray = lambda img: np.mean(img, -1) if len(img.shape) > 2 else img
# 驗證碼向量轉爲文本
vec2Text = lambda vec, captcha_list=CAPTCHA_LIST: ''.join([captcha_list[int(v)] for v in vec])
def text2Vec(text, captchaLen=CAPTCHA_LEN, captchaList=CAPTCHA_LIST):
"""
驗證碼文本轉爲向量
"""
vector = np.zeros(captchaLen * len(captchaList))
for i in range(len(text)):
vector[captchaList.index(text[i]) + i * len(captchaList)] = 1
return vector
def getNextBatch(batchCount=60, width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT):
"""
獲取訓練圖片組
"""
batchX = np.zeros([batchCount, width * height])
batchY = np.zeros([batchCount, CAPTCHA_LEN * len(CAPTCHA_LIST)])
for i in range(batchCount):
text, image = genCaptchaTextImage()
image = convert2Gray(image)
# 將圖片數組一維化 同時將文本也對應在兩個二維組的同一行
batchX[i, :] = image.flatten() / 255
batchY[i, :] = text2Vec(text)
return batchX, batchY
# print(getNextBatch(batch_count=1))
model_train.py 文件，主要是進行模型訓練。在該文件中，定義了模型的基本信息，例如該模型是三層卷積神經網絡，原始圖像大小是 60160，在第一次卷積後變爲 60160， 第一池化後變爲 3080；第二次卷積後變爲 3080 ，第二次池化後變爲 1540；第三次卷積後變爲 1540 ，第三次池化後變爲720。通過三次卷積和池化後，原始圖片數據變爲 720 的平面數據，同時項目在進行訓練的時候，每隔 100 次進行一次數據測試，計算一次準確度：
# -*- coding:utf-8 -*-
import tensorflow.compat.v1 as tf
from datetime import datetime
from util import getNextBatch
from captcha_gen import CAPTCHA_HEIGHT, CAPTCHA_WIDTH, CAPTCHA_LEN, CAPTCHA_LIST
tf.compat.v1.disable_eager_execution()
variable = lambda shape, alpha=0.01: tf.Variable(alpha * tf.random_normal(shape))
conv2d = lambda x, w: tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
maxPool2x2 = lambda x: tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
optimizeGraph = lambda y, y_conv: tf.train.AdamOptimizer(1e-3).minimize(
tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_conv)))
hDrop = lambda image, weight, bias, keepProb: tf.nn.dropout(
maxPool2x2(tf.nn.relu(conv2d(image, variable(weight, 0.01)) + variable(bias, 0.1))), keepProb)
def cnnGraph(x, keepProb, size, captchaList=CAPTCHA_LIST, captchaLen=CAPTCHA_LEN):
"""
三層卷積神經網絡
"""
imageHeight, imageWidth = size
xImage = tf.reshape(x, shape=[-1, imageHeight, imageWidth, 1])
hDrop1 = hDrop(xImage, [3, 3, 1, 32], [32], keepProb)
hDrop2 = hDrop(hDrop1, [3, 3, 32, 64], [64], keepProb)
hDrop3 = hDrop(hDrop2, [3, 3, 64, 64], [64], keepProb)
# 全鏈接層
imageHeight = int(hDrop3.shape[1])
imageWidth = int(hDrop3.shape[2])
wFc = variable([imageHeight * imageWidth * 64, 1024], 0.01) # 上一層有64個神經元 全鏈接層有1024個神經元
bFc = variable([1024], 0.1)
hDrop3Re = tf.reshape(hDrop3, [-1, imageHeight * imageWidth * 64])
hFc = tf.nn.relu(tf.matmul(hDrop3Re, wFc) + bFc)
hDropFc = tf.nn.dropout(hFc, keepProb)
# 輸出層
wOut = variable([1024, len(captchaList) * captchaLen], 0.01)
bOut = variable([len(captchaList) * captchaLen], 0.1)
yConv = tf.matmul(hDropFc, wOut) + bOut
return yConv
def accuracyGraph(y, yConv, width=len(CAPTCHA_LIST), height=CAPTCHA_LEN):
"""
誤差計算圖，正確值和預測值，計算準確度
"""
maxPredictIdx = tf.argmax(tf.reshape(yConv, [-1, height, width]), 2)
maxLabelIdx = tf.argmax(tf.reshape(y, [-1, height, width]), 2)
correct = tf.equal(maxPredictIdx, maxLabelIdx) # 判斷是否相等
return tf.reduce_mean(tf.cast(correct, tf.float32))
def train(height=CAPTCHA_HEIGHT, width=CAPTCHA_WIDTH, ySize=len(CAPTCHA_LIST) * CAPTCHA_LEN):
"""
cnn訓練
"""
accRate = 0.95
x = tf.placeholder(tf.float32, [None, height * width])
y = tf.placeholder(tf.float32, [None, ySize])
keepProb = tf.placeholder(tf.float32)
yConv = cnnGraph(x, keepProb, (height, width))
optimizer = optimizeGraph(y, yConv)
accuracy = accuracyGraph(y, yConv)
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 初始化
step = 0 # 步數
while True:
batchX, batchY = getNextBatch(64)
sess.run(optimizer, feed_dict={x: batchX, y: batchY, keepProb: 0.75})
# 每訓練一百次測試一次
if step % 100 == 0:
batchXTest, batchYTest = getNextBatch(100)
acc = sess.run(accuracy, feed_dict={x: batchXTest, y: batchYTest, keepProb: 1.0})
print(datetime.now().strftime('%c'), ' step:', step, ' accuracy:', acc)
# 準確率知足要求，保存模型
if acc > accRate:
modelPath = "./model/captcha.model"
saver.save(sess, modelPath, global_step=step)
accRate += 0.01
if accRate > 0.90:
break
step = step + 1
train()
當完成了這部分以後，咱們能夠經過本地機器對模型進行訓練，爲了提高訓練速度，我將代碼中的 accRate 部分設置爲：
if accRate > 0.90:
break
也就是說，當準確率超過 90% 以後，系統就會自動中止，而且保存模型。
接下來能夠進行訓練：
訓練時間可能會比較長，訓練完成以後，能夠根據結果繪圖，查看隨着 Step 的增長，準確率的變化曲線：
橫軸表示訓練的 Step，縱軸表示準確率
3. 基於 Serverless 架構的驗證碼識別
將上面的代碼部分進行進一步整合，按照函數計算的規範進行編碼：
# -*- coding:utf-8 -*-
# 核心後端服務
import base64
import json
import uuid
import tensorflow as tf
import random
import numpy as np
from PIL import Image
from captcha.image import ImageCaptcha
# Response
class Response:
def __init__(self, start_response, response, errorCode=None):
self.start = start_response
responseBody = {
'Error': {"Code": errorCode, "Message": response},
} if errorCode else {
'Response': response
}
# 默認增長uuid，便於後期定位
responseBody['ResponseId'] = str(uuid.uuid1())
print("Response: ", json.dumps(responseBody))
self.response = json.dumps(responseBody)
def __iter__(self):
status = '200'
response_headers = [('Content-type', 'application/json; charset=UTF-8')]
self.start(status, response_headers)
yield self.response.encode("utf-8")
CAPTCHA_LIST = [eve for eve in "0123456789abcdefghijklmnopqrsruvwxyzABCDEFGHIJKLMOPQRSTUVWXYZ"]
CAPTCHA_LEN = 4 # 驗證碼長度
CAPTCHA_HEIGHT = 60 # 驗證碼高度
CAPTCHA_WIDTH = 160 # 驗證碼寬度
# 隨機字符串
randomStr = lambda num=5: "".join(random.sample('abcdefghijklmnopqrstuvwxyz', num))
randomCaptchaText = lambda char=CAPTCHA_LIST, size=CAPTCHA_LEN: "".join([random.choice(char) for _ in range(size)])
# 圖片轉爲黑白，3維轉1維
convert2Gray = lambda img: np.mean(img, -1) if len(img.shape) > 2 else img
# 驗證碼向量轉爲文本
vec2Text = lambda vec, captcha_list=CAPTCHA_LIST: ''.join([captcha_list[int(v)] for v in vec])
variable = lambda shape, alpha=0.01: tf.Variable(alpha * tf.random_normal(shape))
conv2d = lambda x, w: tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
maxPool2x2 = lambda x: tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
optimizeGraph = lambda y, y_conv: tf.train.AdamOptimizer(1e-3).minimize(
tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_conv)))
hDrop = lambda image, weight, bias, keepProb: tf.nn.dropout(
maxPool2x2(tf.nn.relu(conv2d(image, variable(weight, 0.01)) + variable(bias, 0.1))), keepProb)
def genCaptchaTextImage(width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT, save=None):
image = ImageCaptcha(width=width, height=height)
captchaText = randomCaptchaText()
if save:
image.write(captchaText, save)
return captchaText, np.array(Image.open(image.generate(captchaText)))
def text2Vec(text, captcha_len=CAPTCHA_LEN, captcha_list=CAPTCHA_LIST):
"""
驗證碼文本轉爲向量
"""
vector = np.zeros(captcha_len * len(captcha_list))
for i in range(len(text)):
vector[captcha_list.index(text[i]) + i * len(captcha_list)] = 1
return vector
def getNextBatch(batch_count=60, width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT):
"""
獲取訓練圖片組
"""
batch_x = np.zeros([batch_count, width * height])
batch_y = np.zeros([batch_count, CAPTCHA_LEN * len(CAPTCHA_LIST)])
for i in range(batch_count):
text, image = genCaptchaTextImage()
image = convert2Gray(image)
# 將圖片數組一維化 同時將文本也對應在兩個二維組的同一行
batch_x[i, :] = image.flatten() / 255
batch_y[i, :] = text2Vec(text)
return batch_x, batch_y
def cnnGraph(x, keepProb, size, captchaList=CAPTCHA_LIST, captchaLen=CAPTCHA_LEN):
"""
三層卷積神經網絡
"""
imageHeight, imageWidth = size
xImage = tf.reshape(x, shape=[-1, imageHeight, imageWidth, 1])
hDrop1 = hDrop(xImage, [3, 3, 1, 32], [32], keepProb)
hDrop2 = hDrop(hDrop1, [3, 3, 32, 64], [64], keepProb)
hDrop3 = hDrop(hDrop2, [3, 3, 64, 64], [64], keepProb)
# 全鏈接層
imageHeight = int(hDrop3.shape[1])
imageWidth = int(hDrop3.shape[2])
wFc = variable([imageHeight * imageWidth * 64, 1024], 0.01) # 上一層有64個神經元 全鏈接層有1024個神經元
bFc = variable([1024], 0.1)
hDrop3Re = tf.reshape(hDrop3, [-1, imageHeight * imageWidth * 64])
hFc = tf.nn.relu(tf.matmul(hDrop3Re, wFc) + bFc)
hDropFc = tf.nn.dropout(hFc, keepProb)
# 輸出層
wOut = variable([1024, len(captchaList) * captchaLen], 0.01)
bOut = variable([len(captchaList) * captchaLen], 0.1)
yConv = tf.matmul(hDropFc, wOut) + bOut
return yConv
def captcha2Text(image_list):
"""
驗證碼圖片轉化爲文本
"""
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('model/'))
predict = tf.argmax(tf.reshape(yConv, [-1, CAPTCHA_LEN, len(CAPTCHA_LIST)]), 2)
vector_list = sess.run(predict, feed_dict={x: image_list, keepProb: 1})
vector_list = vector_list.tolist()
text_list = [vec2Text(vector) for vector in vector_list]
return text_list
x = tf.placeholder(tf.float32, [None, CAPTCHA_HEIGHT * CAPTCHA_WIDTH])
keepProb = tf.placeholder(tf.float32)
yConv = cnnGraph(x, keepProb, (CAPTCHA_HEIGHT, CAPTCHA_WIDTH))
saver = tf.train.Saver()
def handler(environ, start_response):
try:
request_body_size = int(environ.get('CONTENT_LENGTH', 0))
except (ValueError):
request_body_size = 0
requestBody = json.loads(environ['wsgi.input'].read(request_body_size).decode("utf-8"))
imageName = randomStr(10)
imagePath = "/tmp/" + imageName
print("requestBody: ", requestBody)
reqType = requestBody.get("type", None)
if reqType == "get_captcha":
genCaptchaTextImage(save=imagePath)
with open(imagePath, 'rb') as f:
data = base64.b64encode(f.read()).decode()
return Response(start_response, {'image': data})
if reqType == "get_text":
# 圖片獲取
print("Get pucture")
imageData = base64.b64decode(requestBody["image"])
with open(imagePath, 'wb') as f:
f.write(imageData)
# 開始預測
img = Image.open(imageName)
img = img.resize((160, 60), Image.ANTIALIAS)
img = img.convert("RGB")
img = np.asarray(img)
image = convert2Gray(img)
image = image.flatten() / 255
return Response(start_response, {'result': captcha2Text([image])})
在這個函數部分，主要包括兩個接口：
• 獲取驗證碼：用戶測試使用，生成驗證碼
• 獲取驗證碼識別結果：用戶識別使用，識別驗證碼
這部分代碼，所須要的依賴內容以下：
tensorflow==1.13.1 numpy==1.19.4 scipy==1.5.4 pillow==8.0.1 captcha==0.3
另外，爲了更加簡單的來體驗，提供測試頁面，測試頁面的後臺服務使用 Python Web Bottle 框架：
# -*- coding:utf-8 -*-
import os
import json
from bottle import route, run, static_file, request
import urllib.request
url = "http://" + os.environ.get("url")
@route('/')
def index():
return static_file("index.html", root='html/')
@route('/get_captcha')
def getCaptcha():
data = json.dumps({"type": "get_captcha"}).encode("utf-8")
reqAttr = urllib.request.Request(data=data, url=url)
return urllib.request.urlopen(reqAttr).read().decode("utf-8")
@route('/get_captcha_result', method='POST')
def getCaptcha():
data = json.dumps({"type": "get_text", "image": json.loads(request.body.read().decode("utf-8"))["image"]}).encode(
"utf-8")
reqAttr = urllib.request.Request(data=data, url=url)
return urllib.request.urlopen(reqAttr).read().decode("utf-8")
run(host='0.0.0.0', debug=False, port=9000)
該後端服務，所需依賴：
bottle==0.12.19
前端頁面代碼：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>驗證碼識別測試系統</title>
<link href="https://www.bootcss.com/p/layoutit/css/bootstrap-combined.min.css" rel="stylesheet">
<script>
var image = undefined
function getCaptcha() {
const xmlhttp = window.XMLHttpRequest ? new XMLHttpRequest() : new ActiveXObject("Microsoft.XMLHTTP");
xmlhttp.open("GET", '/get_captcha', false);
xmlhttp.onreadystatechange = function () {
if (xmlhttp.readyState == 4 && xmlhttp.status == 200) {
image = JSON.parse(xmlhttp.responseText).Response.image
document.getElementById("captcha").src = "data:image/png;base64," + image
document.getElementById("getResult").style.visibility = 'visible'
}
}
xmlhttp.setRequestHeader("Content-type", "application/json");
xmlhttp.send();
}
function getCaptchaResult() {
const xmlhttp = window.XMLHttpRequest ? new XMLHttpRequest() : new ActiveXObject("Microsoft.XMLHTTP");
xmlhttp.open("POST", '/get_captcha_result', false);
xmlhttp.onreadystatechange = function () {
if (xmlhttp.readyState == 4 && xmlhttp.status == 200) {
document.getElementById("result").innerText = "識別結果：" + JSON.parse(xmlhttp.responseText).Response.result
}
}
xmlhttp.setRequestHeader("Content-type", "application/json");
xmlhttp.send(JSON.stringify({"image": image}));
}
</script>
</head>
<body>
<div class="container-fluid" style="margin-top: 10px">
<div class="row-fluid">
<div class="span12">
<center>
<h3>
驗證碼識別測試系統
</h3>
</center>
</div>
</div>
<div class="row-fluid">
<div class="span2">
</div>
<div class="span8">
<center>
<img src="" id="captcha"/>
<br><br>
<p id="result"></p>
</center>
<fieldset>
<legend>操做：</legend>
<button class="btn" onclick="getCaptcha()">獲取驗證碼</button>
<button class="btn" onclick="getCaptchaResult()" id="getResult" style="visibility: hidden">識別驗證碼
</button>
</fieldset>
</div>
<div class="span2">
</div>
</div>
</div>
</body>
</html>
準備好代碼以後，開始編寫部署文件：
Global:
Service:
Name: ServerlessBook
Description: Serverless圖書案例
Log: Auto
Nas: Auto
ServerlessBookCaptchaDemo:
Component: fc
Provider: alibaba
Access: release
Extends:
deploy:
- Hook: s install docker
Path: ./
Pre: true
Properties:
Region: cn-beijing
Service: ${Global.Service}
Function:
Name: serverless_captcha
Description: 驗證碼識別
CodeUri:
Src: ./src/backend
Excludes:
- src/backend/.fun
- src/backend/model
Handler: index.handler
Environment:
- Key: PYTHONUSERBASE
Value: /mnt/auto/.fun/python
MemorySize: 3072
Runtime: python3
Timeout: 60
Triggers:
- Name: ImageAI
Type: HTTP
Parameters:
AuthType: ANONYMOUS
Methods:
- GET
- POST
- PUT
Domains:
- Domain: Auto
ServerlessBookCaptchaWebsiteDemo:
Component: bottle
Provider: alibaba
Access: release
Extends:
deploy:
- Hook: pip3 install -r requirements.txt -t ./
Path: ./src/website
Pre: true
Properties:
Region: cn-beijing
CodeUri: ./src/website
App: index.py
Environment:
- Key: url
Value: ${ServerlessBookCaptchaDemo.Output.Triggers[0].Domains[0]}
Detail:
Service: ${Global.Service}
Function:
Name: serverless_captcha_website
總體的目錄結構：
| - src # 項目目錄 | | - backend # 項目後端，核心接口 | | - index.py # 後端核心代碼 | | - requirements.txt # 後端核心代碼依賴 | | - website # 項目前端，便於測試使用 | | - html # 項目前端頁面 | | - index.html # 項目前端頁面 | | - index.py # 項目前端的後臺服務（bottle框架） | | - requirements.txt # 項目前端的後臺服務依賴
完成以後，咱們能夠在項目目錄下，進行項目的部署：
s deploy
部署完成以後，打開返回的頁面地址：
點擊獲取驗證碼，便可在線生成一個驗證碼：
此時點擊識別驗證碼，便可進行驗證碼識別：
因爲模型在訓練的時候，填寫的目標準確率是 90%，因此能夠認爲在海量同類型驗證碼測試以後，總體的準確率在 90% 左右。
總結
Serverless 發展迅速，經過 Serverless 作一個驗證碼識別工具，我以爲這是一個很是酷的事情。在將來的數據採集等工做中，有一個優美的驗證碼識別工具是很是必要的。固然驗證碼種類不少，針對不一樣類型的驗證碼識別，也是一項很是有挑戰性的工做。
相關文章
- 1. 如何經過 Serverless 輕鬆識別驗證碼？
- 2. 如何識別圖片驗證碼？
- 3. selenium如何識別驗證碼
- 4. 如何識別高級的驗證碼
- 5. python驗證碼識別(2)極驗滑動驗證碼識別
- 6. 驗證碼識別
- 7. 如何輕鬆寫代碼
- 8. python 驗證碼識別示例（二） 複雜驗證碼識別
- 9. 圖片識別之驗證碼識別
- 10. python 驗證碼識別示例（五） 簡單驗證碼識別
- 更多相關文章...
- • DTD 驗證 - DTD 教程
- • XML 驗證 - XML 教程
- • Scala 中文亂碼解決
- • IntelliJ IDEA代碼格式化設置
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
- 1. js中 charCodeAt
- 2. Android中通過ViewHelper.setTranslationY實現View移動控制（NineOldAndroids開源項目）
- 3. 【Android】日常記錄：BottomNavigationView自定義樣式，修改點擊後圖片
- 4. maya 文件檢查 ui和數據分離 （一）
- 5. eclipse 修改項目的jdk版本
- 6. Android InputMethod設置
- 7. Simulink中Bus Selector出現很多? ? ?
- 8. 【Openfire筆記】啓動Mac版Openfire時提示「系統偏好設置錯誤」
- 9. AutoPLP在偏好標籤中的生產與應用
- 10. 數據庫關閉的四種方式
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. 如何經過 Serverless 輕鬆識別驗證碼？
- 2. 如何識別圖片驗證碼？
- 3. selenium如何識別驗證碼
- 4. 如何識別高級的驗證碼
- 5. python驗證碼識別(2)極驗滑動驗證碼識別
- 6. 驗證碼識別
- 7. 如何輕鬆寫代碼
- 8. python 驗證碼識別示例（二） 複雜驗證碼識別
- 9. 圖片識別之驗證碼識別
- 10. python 驗證碼識別示例（五） 簡單驗證碼識別