有次帮某人发spam，找人来填调查。写了个自动评论的脚本，但是发出一定数量的评论之后就会遭遇验证码，于是决定破解之。
思路也是一般的转化切割比对，成功率不是很高，不过重试几次也是可以用的。
虽然已经控制好了频率，不过最后还是被管理员发现了，直接封了帐号（好在是临时注册的），再注册再封，后来干脆封IP，

于是不得不给我的vps换了个ip（也好在是免费的），杯具。
闲话休说，言归正题。

首先是需要取得验证码的样本，以作训练特征之用。而要取得验证码，首先要模拟登录的请求：

usr = 'xx' psw = 'oo' resp = urllib2.urlopen('https://login.sina.com.cn/sso/login.php?username=%s&password=%s&returntype=TEXT' % ( usr, psw)) cookie = Cookie.SimpleCookie(resp.headers['set-cookie']) headers = { 'Referer': 'http://t.sina.com.cn', 'Cookie': cookie_header(cookie), 'User-Agent': 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.2.3pre) Gecko/20100405 Firefox/3.6.3plugin1', } def cookie_header(cookie): ret = '' for v in cookie.values(): ret += "%s=%s; " % (v.key, v.value) return ret

headers就是后续的请求中，需要传递的参数了。

取回一些验证码样本：

for i in xrange(100): req_img = urllib2.Request('http://t.sina.com.cn/pincode/pin.php?lang=zh&r=%d&rule' % int(time() * 1000), headers = headers) res_img = urllib2.urlopen(req_img) f = open('xinlang_pincode/%d.png' % i, 'wb') f.write(res_img.read()) f.close()

有一些验证码的回答是中文，中国首都什么的，这些不处理，直接返回失败。因为可以重复获取重新识别，不成问题的。下面是处理算术问题验证码的方法：

先进行变换处理：

from PIL import Image, ImageFilter, ImageEnhance file = 'xinlang_pincode/0.png' im = Image.open(file) im = im.convert() enhancer = ImageEnhance.Brightness(im) im = enhancer.enhance(2.0) #加亮，效果见图1 enhancer = ImageEnhance.Contrast(im) im = enhancer.enhance(4) #提高对比度，效果见图2 im = im.convert('1') #二值化，效果见图3 im = im.filter(ImageFilter.MedianFilter) #中值去噪，效果见图4 im.show() #调用xv命令来显示图片，方便debug

图1：

图2：

图3：

图4：

这样处理过之后，图片背景中的色块被过滤掉，杂点也被过滤掉，而数字的形状也没有太大的损失。

下面是分解字符，也就是将每一个数字或者+-*等符号分解出来：

imim = im.load() WIDTH = 250 HEIGHT = 50 i = 0 has_start = False chars = [] while i < WIDTH: all_none = True for j in xrange(HEIGHT): if imim[i, j] != 255: all_none = False if all_none: if has_start: end_x = i has_start = False char = im.crop((start_x, 0, end_x, HEIGHT)) char.show() #到这一步的效果见图5 charchar = char.load() width = end_x - start_x y1 = 0 y2 = HEIGHT - 1 all_none = True while all_none: for ii in xrange(width): if charchar[ii, y1] != 255: all_none = False y1 += 1 all_none = True while all_none: for ii in xrange(width): if charchar[ii, y2] != 255: all_none = False y2 -= 1 char = char.crop((0, y1 - 1, width, y2 + 2)) char = char.resize((20, 20)) #将图片缩放到统一的大小 char.show() #到这一步的效果见图6 chars.append(char) else: if not has_start: start_x = i has_start = True i += 1

图5：字符被独立分割开

图6：字符上下两边的空白被去掉，且缩放到同一大小

这一步得到的chars是下面要用到的。

然后是训练，也就是形成特征库。特征库规模越大，识别率也越高。不过训练起来也挺累的，有几十上百条也就好了。至少0到9和+-*=等几个字符的特征都要有：

file = open('xinlang.img', 'a') for c in chars: nstr = '' im_loaded = c.load() for x in range(20): for y in range(20): if im_loaded[x, y] == 255: nstr += '0' else: nstr += '1' c.show() n = raw_input('? ') file.write(nstr+':'+n+'\n') file.close()

这里的特征，就是直接把每一个像素的信息，用0和1组成的字符串表示。

训练的结果是一个文本文件，记录了对应的特征和字符，用于下面的比对。

比对函数：

pattern = [] for l in open('xinlang.img', 'r').read().split('\n'): pattern.append(l.split(':')) del pattern[-1] def what(img): im = img.load() nstr = '' for x in xrange(20): #生成目标图像的特征字符串 for y in xrange(20): if im[x, y] == 255: nstr += '0' else: nstr += '1' minmin = 400 res = None for p in pattern: cur = 0 for i in xrange(400): if nstr[i] != p[0][i]: #比对每一个像素，如果不相同，则增加差异值 cur += 1 if cur < = minmin: #记录下差异值最小时所对应的字符 minmin = cur res = p[1] return res

最后测试一下：

for c in chars: print what(c),

结果：

可以看到18+18这些字符可以成功识别。那为什么=和?识别不了呢？因为我没有训练这两个字符，而=和?都和数字2的特征最接近 -_,-|

这个验证码还是挺好破解的，因为字符之间间距很大，而且没有旋转，没有扭曲，不需要多少变换就能得到可用的结果。像google的那种，就完全没法可想了。