【python】帶圖片驗證碼的登陸自動化實戰

近期在跟進新項目的時候，總體的業務線很是之長，會一直重複登陸退出不一樣帳號的這個流程，因此想從登陸開始實現部分的自動化。由於是B/S的架構，因此採用的是selenium的框架來實現。大體實現步驟以下：

　　1.環境準備

　　2.驗證碼爬取

　　3.識別方案選擇

　　4.圖像處理和識別

　　5.自動化實現

1、環境準備

　　系統：macOS

　　軟件：Pycharm

　　語言：Python 2.7

 　  瀏覽器：Chrome 70.0.35

　　依賴庫：selenium 3.14一、xlrd 1.一、aip 1.0.0.五、pytesser、pytesseract 0.2.五、opencv-python 3.4.三、urllib3 1.24.一、Pillow-PIL 0.1

　　驅動安裝與配置環境：

　　　　① 下載chromedriver:http://chromedriver.storage.googleapis.com/index.html（需代理）、http://npm.taobao.org/mirrors/chromedriver/（無需代理）

　　　　②具體瀏覽器與驅動版本映射表可參考  http://www.javashuo.com/article/p-wlhinbws-eo.html   ,最新chrome 74版本---ChromeDriver v74.0.3729.6

　　　　③解壓後放置在/usr/local/bin/目錄下

　　　　④加入環境變量：export PATH=$PATH:/usr/local/bin/ChromeDriver

2、驗證碼爬取

　　對於驗證碼而言，目前各式網站出現的驗證碼類型基本有：圖形驗證碼（數字、計算題、中文、英文、問答題）、滑塊驗證碼、語音驗證碼、圖片驗證碼（正倒序、同類型)。自身項目的驗證碼爲數字+英文圖形驗證碼，針對這一塊的內容，首先咱們先來爬取一些驗證碼到指定文件夾中，來着重分析一下特色。代碼以下：

 1 #-*- coding:utf-8 -*-
 2 from selenium import webdriver
 3 import time
 4 import urllib
 5 import os
 6 import sys
 7 
 8 
 9 req_url = "https://項目網址/#/"
10 
11 
12 def download_code(num):
13     for i in range(int(num)):
14         browser.refresh()
15         time.sleep(3)
16         # 尋找登陸按鈕，查找登陸classname
17         browser.find_elements_by_css_selector("[class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost']")[0].click()
18         time.sleep(3)
19         #獲取驗證碼url連接
20         src=browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
21         time.sleep(1)
22    
23         local = '/Users/funny/PycharmProjects/auto_cloud/code_pic/' + str(i) + '.png'
24         print local
25         urllib.urlretrieve(src,local)
26         time.sleep(1)
27 
28 if __name__=="__main__":
29     browser = webdriver.Chrome()
30     browser.get(req_url)
31     download_code(sys.argv[1])
32     browser.close()

 　　大體講解一下上面出現的一些函數用法和實現過程當中存在的問題。

　　1.使用classname定位，運行時報錯

　　A：通常來講，使用classname來定位仍是比較精準的，可是此項目的classname包含了多個tag，如上述的登陸按鈕class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost'，這時候使用 find_elements_by_class_name方法定位，會沒法定位並報錯。因此須要使用find_elements_by_css_selector，你們能夠根據各自項目來選擇方法。

　　2.urllib.urlretrieve(src,local)

　　urllib模塊提供的urlretrieve()函數，urlretrieve()方法直接將遠程數據下載到本地，傳入下載的連接。

　　3.命令行獲取參數

　　爲了指定咱們想要下載的驗證碼數量，要在源程序裏面修改嗎？不用。sys.argv[]是一個從程序外部獲取參數的橋樑，所得到的是一個列表（list)，文中的sys.argv[1]則是表明獲取列表中的下標爲1的內容，在終端咱們運行的方法是：python  catch_code.py  10 ，這樣sys.argv[1]取到的的值則爲10,num的值亦爲10，循環10次下載驗證碼。

3、識別方案選擇

　　上節中爬取下來了100張驗證碼，以下圖：

　　基本特性是：橫向排列、數字與英文字母組合、字母間粘連佔比約30%、背景干擾較少。閱讀已有的一些ocr識別技術，基本有如下三個方向：

　　　　① pytesser

　　　　② pytesseract

　　　　③ 百度文字識別 AipOcr

　　爲了對比這三者識別技術的識別率，對應實現來展現效果，因此樣本選擇爲0.png、4.png、11.png（字母粘連、純字母、字母+數字）

　　pytesser：谷歌OCR開源項目的一個模塊，在python中導入這個模塊便可將圖片中的文字轉換成文本。pytesser下載連接：http://code.google.com/p/pytesser/  ，實現代碼以下：

1 #-*- coding:utf-8 -*-
2 from PIL import Image
3 import pytesser.pytesser as pytesser
4 
5 image = Image.open('code_pic/test_pic/0.png')
6 print pytesser.image_file_to_string('code_pic/test_pic/0.png')
7 print pytesser.image_to_string(image)

　　image_file_to_string()函數能夠實現簡單的英文字母識別，若是圖像是不相容的，會先轉換成兼容的格式，而後再提取圖片中的文本信息。

　　image_to_string()函數亦可實現英文字母識別，讀取圖片時，將內存中的圖像文件保存爲bmp，再使用tesseract處理。

　　執行結果以下：

　　順序識別0,4,11圖片後均沒法識別結果，識別機率爲0%

　　pytesseract:Google的Tesseract-OCR引擎包裝器

1 print pytesseract.image_to_string(Image.open('code_pic/test_pic/11.png'),lang="eng")

　　順序識別0,4,11圖片後均沒法識別結果，識別機率爲0%

　　AipOcr：一款百度提供的OCR識別服務，支持多種圖片格式，接口免費調用50000次/日，具體請參考官方文檔：https://ai.baidu.com/docs#/OCR-API/top ，在實現以前，咱們須要建立一款產品，來得到AppID、API Key、Secret Key的值。以下圖：

　　獲取到以上三個參數後，繼續上代碼：

 1 from aip import AipOcr
 2 
 3 #  你的 APPID AK SK
 4 APP_ID = '1*****'
 5 API_KEY = 'sHzo*******'
 6 SECRET_KEY = 'V******'
 7 
 8 client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
 9 # 讀取圖片
10 def get_file_content(filePath):
11     with open(filePath, 'rb') as fp:
12         return fp.read()
13 
14 image = get_file_content('/Users/funny/PycharmProjects/auto_cloud/code_pic/test_pic/11.png')
15 #  調用通用文字識別, 圖片參數爲本地圖片
16 result = client.general(image)
17 
18 # 定義參數變量
19 options = {
20     # 定義圖像方向
21         'detect_direction' : 'true',
22     # 識別語言類型，默認爲'CHN_ENG'中英文混合
23         'language_type' : 'CHN_ENG',
24 
25 
26 }
27 
28 # 調用通用文字識別接口
29 result = client.general(image,options)
30 print(result)
31 for word in result['words_result']:
32     print(word['words'])

　　順序識別0,4,11圖片後,圖片11識別出了一半,提取到了"2F"，機率爲16%

4、圖像處理和識別

　　在上節看來，未通過處理的圖片進行識別，識別機率都很是之低。因此咱們換一個角度來思考，經過對圖片進行一些處理，使得特徵更加明顯，再經過上述的三種識別庫來識別，提升識別的機率。步驟大體以下：1）灰度二值化  2）線降噪  3）開運算

　　1）灰度二值化

im = cv2.imread('/Users/funny/PycharmProjects/auto_cloud/code_pic/0.png')
im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) 
# 二值化
th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
edges = cv2.Canny(th1, 30, 70)
cv2.imshow('二值化',th1)
cv2.waitKey(0)
cv2.destroyAllWindows()

　　處理的圖像以下：

         

　　2）線降噪

#二值化圖片，而且線降噪
img = cv2.imread('/Users/funny/PycharmProjects/auto_cloud/code_pic/11.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰值化
h, w = img.shape[:2]
# opencv矩陣點是反的
# img[1,2] 1:圖片的高度，2：圖片的寬度
for y in range(1, w - 1):
    for x in range(1, h - 1):
        count = 0
        if img[x, y - 1] > 245:
            count = count + 1
        if img[x, y + 1] > 245:
            count = count + 1
        if img[x - 1, y] > 245:
            count = count + 1
        if img[x + 1, y] > 245:
            count = count + 1
        if count > 2:
            img[x, y] = 255


cv2.imshow('線降噪',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

　　處理的圖像以下：

        

　　3)閉運算

img = cv2.imread('/Users/funny/PycharmProjects/auto_cloud/code_pic/11.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 3))  # 定義結構元素
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)  # 開運算
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('閉運算',closing)

cv2.waitKey(0)
cv2.destroyAllWindows()

　　處理的圖像以下：

    

　　圖像處理到如今基本上咱們已經將已有的背景干擾及色彩去除完畢，接下來咱們針對這些處理的圖像進行三種識別方案的識別，識別結果以下表：

　　咱們來分析一下這個表，在最開始的二值化，AipOcr至少識別出來了一些內容。縱觀三種圖像處理後的識別效果，明顯閉運算已經能識別出大體的內容了，圖片4.png三種識別方式都是能夠識別出來，對於0.png這種粘連字母，識別效果基本爲0%，而11.png「j」的底部表現不出來，因此識別不出來，但後面的內容亦識別成功。因此咱們能夠總結三點：①識別方式精準度 ：AipOcr>pytesser>pytesseract。 ②處理後效果：閉運算>線降噪>二值化。③粘連性、帶噪點圖片識別效果很是差（當前準確值是基於我選取的樣本集）。

5、自動化實現

　　從上節的處理和識別中的總結內容中，本項目咱們選擇將AipOcr做爲識別，若識別結果不正確（如粘連、噪點過多、部分裁剪圖片），將獲取新的驗證碼，以此類推。將上述部分代碼封裝，方便調用，最終完整代碼以下：

  1 #-*- coding:utf-8 -*-
  2 from selenium import webdriver
  3 from time import sleep
  4 import xlrd
  5 import os
  6 import time
  7 import urllib
  8 import cv2
  9 from aip import AipOcr
 10 #define
 11 req_url = "網址"
 12 local = '/Users/funny/PycharmProjects/auto_cloud/code_pic/code.png'
 13 APP_ID = '1****2'
 14 API_KEY = 's*****'
 15 SECRET_KEY = 'V******Hw'
 16 xlsname="user_tab.xlsx"
 17 
 18 #excel讀取
 19 def Load_excel():
 20     excel = xlrd.open_workbook(xlsname)
 21     shxrange = range(excel.nsheets)
 22     try:
 23         sh = excel.sheet_by_name("Sheet1")
 24     except:
 25         print "no sheet in %s named Sheet1" % xlsname
 26     nrows = sh.nrows
 27     ncols = sh.ncols
 28     #print "nrows %d, ncols %d" % (nrows, ncols)
 29     # 獲取第一行第一列數據
 30     cell_value = sh.cell_value(1, 1)
 31     # print cell_value
 32     row_list = []
 33     # 獲取各行數據
 34     for i in range(1, nrows):
 35         row_data = sh.row_values(i)
 36         row_list.append(row_data)
 37     return row_list
 38 
 39 def change_catch():
 40     img = cv2.imread('/Users/funny/PycharmProjects/auto_cloud/code_pic/code.png')
 41     img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 42     kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 3))  # 定義結構元素
 43     closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
 44     cv2.imwrite('/Users/funny/PycharmProjects/auto_cloud/code_pic/code-close.png',closing)
 45 
 46 def code_detect():
 47     client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
 48     f=open('/Users/funny/PycharmProjects/auto_cloud/code_pic/code-close.png','rb')
 49     image =f.read()
 50     #  調用通用文字識別, 圖片參數爲本地圖片
 51     result = client.general(image)
 52     # 定義參數變量
 53     options = {
 54     # 定義圖像方向
 55         'detect_direction': 'true',
 56         # 識別語言類型，默認爲'CHN_ENG'中英文混合
 57         'language_type': 'CHN_ENG',
 58     }
 59 # 調用通用文字識別接口
 60     result = client.general(image, options)
 61     print result
 62     print str(result['words_result'][0]['words'])
 63     return str(result['words_result'][0]['words'])
 64 
 65 
 66 
 67 
 68 
 69 
 70 if __name__ == '__main__':
 71 
 72     flag=False
 73     row_list=Load_excel()
 74     print row_list
 75     browser = webdriver.Chrome()
 76     browser.get(req_url)
 77     time.sleep(4)
 78     #尋找登陸按鈕，查找登陸classname
 79     browser.find_elements_by_css_selector("[class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost']")[0].click()
 80     time.sleep(2)
 81     #獲取驗證碼url
 82     src = browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
 83     urllib.urlretrieve(src, local)
 84     print "下載驗證碼中。。。"
 85     change_catch()
 86     word=code_detect()
 87     print word
 88     time.sleep(1)
 89     browser.find_element_by_id("loginName").send_keys(row_list[0][1])
 90     browser.find_element_by_id("password").send_keys(row_list[0][2])
 91     browser.find_element_by_id("imgValidCode").send_keys(word)
 92     browser.find_elements_by_css_selector("[class='ant-btn ant-btn-primary ant-btn-lg ant-btn-block']")[0].click()
 93     time.sleep(1)
 94 
 95     while browser.current_url=="網址":
 96         time.sleep(2)
 97         src = browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
 98         urllib.urlretrieve(src, local)
 99         print "下載驗證碼中。。。"
100         change_catch()
101         word = code_detect()
102         time.sleep(2)
103         browser.find_element_by_id("imgValidCode").send_keys(word)
104         browser.find_elements_by_css_selector("[class='ant-btn ant-btn-primary ant-btn-lg ant-btn-block']")[0].click()
105 
106     print "登陸成功"

　　對於粘連性及部分被切割的驗證碼，還須要再研究一番~

　　另，由於驗證碼識別率還不能達到100%，且後期可能由於版本迭代的緣由，更換不一樣方式的驗證碼類型，因此這裏只是提供一個圖像預處理思路給到你們，實現登陸自動化還有其餘方式，如白名單控制、關閉驗證碼校驗等。