Python之selenium+pytesseract 实现识别验证码自动化登录脚本

今天写自己的爆破靶场WP时候，遇到有验证码的网站除了使用pkav的工具我们同样可以通过py强大的第三方库来实现识别验证码+后台登录爆破，这里做个笔记~~~

0x01关于selenium

selenium 是一套完整的web应用程序测试系统，包含了测试的录制（selenium IDE）,编写及运行（Selenium Remote Control）和测试的并行处理（Selenium Grid）。Selenium的核心Selenium Core基于JsUnit，完全由JavaScript编写，因此可以用于任何支持JavaScript的浏览器上。

selenium可以模拟真实浏览器，自动化测试工具，支持多种浏览器，爬虫中主要用来解决JavaScript渲染问题。

selenium安装和使用

安装selenium之前需安装些必要工具

1. 安装setuptools

下载地址：https://pypi.python.org/pypi/setuptools

在页面找到zip安装包，下载后解压。在命令行（运行->cmd）进入解压目录

执行 python setup.py install 即可安装，注意解压路径不要包含中文，否则安装会报错。

2.安装pip

下载地址：https://pypi.python.org/pypi/pip

在页面找到pip-9.x.tar.gz，下载后解压。同样在命令行进入解压目录，执行 python setup.py install 即可自动安装。

3.安装selenium

上面2个工具安装好后，安装selenium只需在命令行进入python安装路径Script目录下，执行 pip install -U selenium 即可自动安装。

完成安装后在IDLE输入 from selenium import webdriver ，如果没报错即代表安装成功。

1. selenium3.0需要独立安装Firefox驱动，不再自带驱动，下载地址： https://github.com/mozilla/geckodriver/releases 下载对应版本，解压放在python安装路径下即可；

2. geckodriver驱动要求Friefox浏览器必须48版本以上，如果不是，更新Firefox；

3. 如果用Java开发，需注意3.0必须用JDK1.8版本才行；

4. Chromedriver下载：https://sites.google.com/a/chromium.org/chromedriver/downloads 同样也是下载后放在python安装路径下即可。

执行结果如下，从结果中我们也可以看出基本山支持了常见的所有浏览器：

这里要说一下比较重要的PhantomJS,PhantomJS是一个而基于WebKit的服务端JavaScript API,支持Web而不需要浏览器支持，其快速、原生支持各种Web标准：Dom处理，CSS选择器，JSON等等。PhantomJS可以用用于页面自动化、网络监测、网页截屏，以及无界面测试

声明浏览器对象

上面我们知道了selenium支持很多的浏览器，但是如果想要声明并调用浏览器则需要：

from selenium import webdriver

browser = webdriver.Chrome()
browser = webdriver.Firefox()

访问页面

from selenium import webdriver

browser = webdriver.Firefox()

browser.get("http://www.baidu.com")
print(browser.page_source)
browser.close()

0x02 关于pytesseract

pytesseract最新版本0.1.6，网址：https://pypi.python.org/pypi/pytesseract

a、Python-tesseract是一个基于google's Tesseract-OCR的独立封装包；

b、Python-tesseract功能是识别图片文件中文字，并作为返回参数返回识别结果；

c、Python-tesseract默认支持tiff、bmp格式图片，只有在安装PIL之后，才能支持jpeg、gif、png等其他图片格式；

注意：tesserocr与pytesseract是Python的一个OCR识别库，但其实是对tesseract做的一层Python API封装，pytesseract是Google的Tesseract-OCR引擎包装器；所以它们的核心是tesseract,因此在安装tesserocr之前，我们需要先安装tesseract

pytesseract安装 && tesseract安装

下载tesseract：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-beta.1.20180414.exe

然后双击程序安装即可，可以勾选Additional language data(download)选项来安装OCR识别支持的语言包，但下载语言包实在是慢，我们可以直接从https://github.com/tesseract-ocr/tessdata下载zip的语言包压缩文件，解压后将tessdata-master中的文件复制到Tesseract的安装目录C:\Program Files (x86)\Tesseract-OCR\tessdata目录下，最后我们配置下环境变量，我们将C:\Program Files (x86)\Tesseract-OCR添加到环境变量中

在测试之前先了解下tesseract的命令程序格式：

 tesseract imagename outputbase [-l lang]

imagename指定图片名称，outputbase指定输出文件名，-l指定识别的语言

#显示安装的语言包
tesseract --list-langs

#显示帮助
tesseract --help
tesseract --help-extra
tesseract --version

#使用一张图片测试，成功识别字符串
tesseract image.png result -l eng |type result.txt

由于tesserocr在windows环境下会出现各种不兼容问题，并且与pycharm虚拟环境不兼容等问题，所以在windows系统环境下，选择pytesseract模块进行安装，如果实在要安装请使用whl文件安装或者使用conda安装

pip install pytesseract

如果在pytesseract运行是找不到tesseract解释器，这种情况一般是在虚拟环境下会发生，我们需要将tesseract-OCR的执行文件tesseract.ext配置到windows系统中的PATH环境中，或者修改pytesseract.py文件，将其中的“tesseract_cmd”字段指定为tesseract.exe的完整路径即可

测试识别功能：

import pytesseract
from PIL import Image

im=Image.open('image.png')
print(pytesseract.image_to_string(im))

tesserocr与pytesseract模块的使用

（1）tesserocr的使用

#从文件识别图像字符
In [7]: tesserocr.file_to_text('image.png')
Out[7]: 'Python3WebSpider\n\n'

#查看tesseract已安装的语言包
In [8]: tesserocr.get_languages()
Out[8]: ('/usr/share/tesseract/tessdata/', ['eng'])

#从图片数据识别图像字符
In [9]: tesserocr.image_to_text(im)
Out[9]: 'Python3WebSpider\n\n'

#查看版本信息
In [10]: tesserocr.tesseract_version()
Out[10]: 'tesseract 3.04.00\n leptonica-1.72\n  libgif 4.1.6(?) : libjpeg 6b (libjpeg-turbo 1.2.90) : libpng 1.5.13 : libtiff 4.0.3 : zlib 1.2.7 : libwebp 0.3.0\n'

（2）pytesseract使用

功能：

get_tesseract_version　　返回系统中安装的Tesseract版本。
image_to_string　　将图像上的Tesseract OCR运行结果返回到字符串
image_to_boxes　　返回包含已识别字符及其框边界的结果
image_to_data　　返回包含框边界，置信度和其他信息的结果。需要Tesseract 3.05+。有关更多信息，请查看Tesseract TSV文档
image_to_osd　　返回包含有关方向和脚本检测的信息的结果。

参数：

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)

image object　　图像对象
lang String，Tesseract　　语言代码字符串
config String　　任何其他配置为字符串，例如：config='--psm 6'
nice Integer　　修改Tesseract运行的处理器优先级。Windows不支持。尼斯调整了类似unix的流程的优点。
output_type　　类属性，指定输出的类型，默认为string。有关所有支持类型的完整列表，请检查pytesseract.Output类的定义。

from PIL import Image
import pytesseract

#如果PATH中没有tesseract可执行文件，请指定tesseract路径
pytesseract.pytesseract.tesseract_cmd='C:\Program Files (x86)\Tesseract-OCR\\tesseract.exe'

#打印识别的图像的字符串
print(pytesseract.image_to_string(Image.open('test.png')))

#指定语言识别图像字符串,eng为英语
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='eng'))

#获取图像边界框
print(pytesseract.image_to_boxes(Image.open('test.png')))

#获取包含边界框，置信度，行和页码的详细数据
print(pytesseract.image_to_data(Image.open('test.png')))

#获取方向和脚本检测
print(pytesseract.image_to_osd(Image.open('test.png'))

图像识别简单应用

一般图像处理验证，需要通过对图像进行灰度处理、二值化后增加图像文字的辨识度，下面是一个简单的对图像验证码识别处理，如遇到复杂点的图像验证码如中间带多条同等大小划线的验证码需要对文字进行乔正切割等操作，但它的识别度也只有百分之30左右，所以得另外想别的办法来绕过验证

from PIL import Image
import pytesseract

im = Image.open('66.png')
#二值化图像传入图像和阈值
def erzhihua(image,threshold):
    ''':type image:Image.Image'''
    image=image.convert('L')
    table=[]
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')


image=erzhihua(im,127)
image.show()

result=pytesseract.image_to_string(image,lang='eng')
print(result)

模拟自动识别验证码登陆：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/7/13 8:58
# @Author  : Py.qi
# @File    : login.py
# @Software: PyCharm
from selenium import webdriver
from selenium.common.exceptions import TimeoutException,WebDriverException
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.remote.webelement import WebElement
from io import BytesIO
from PIL import Image
import pytesseract
import time

user='zhang'
password='123'
url='http://10.0.0.200'
driver=webdriver.Chrome()
wait=WebDriverWait(driver,10)

#识别验证码
def acker(content):
    im_erzhihua=erzhihua(content,127)
    result=pytesseract.image_to_string(im_erzhihua,lang='eng')
    return result

#验证码二值化
def erzhihua(image,threshold):
    ''':type image:Image.Image'''
    image=image.convert('L')
    table=[]
    for i in range(256):
        if i <  threshold:
            table.append(0)
        else:
            table.append(1)
    return image.point(table,'1')

#自动登陆
def login():
    try:
        driver.get(url)
        #获取用户输入框
        input=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#loginname'))) #type:WebElement
        input.clear()
        #发送用户名
        input.send_keys(user)
        #获取密码框
        inpass=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#password'))) #type:WebElement
        inpass.clear()
        #发送密码
        inpass.send_keys(password)
        #获取验证输入框
        yanzheng=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#code'))) #type:WebElement
        #获取验证码在画布中的位置
        codeimg=wait.until(EC.presence_of_element_located((By.CSS_SELECTOR,'#codeImg'))) #type:WebElement
        image_location = codeimg.location
        #截取页面图像并截取掩码码区域图像
        image=driver.get_screenshot_as_png()
        im=Image.open(BytesIO(image))
        imag_code=im.crop((image_location['x'],image_location['y'],488,473))
        #输入验证码并登陆
        yanzheng.clear()
        yanzheng.send_keys(acker(imag_code))
        time.sleep(2)
        yanzheng.send_keys(Keys.ENTER)
    except TimeoutException as e:
        print('timeout:',e)
    except WebDriverException as e:
        print('webdriver error:',e)

if __name__ == '__main__':
    login()

posted @ 2019-06-15 15:49 卿先生阅读(7203) 评论(0) 编辑收藏举报

刷新页面返回顶部

卿's Blog

真的菜