近期在跟进新项目的时候,整体的业务线非常之长,会一直重复登录退出不同账号的这个流程,所以想从登录开始实现部分的自动化。因为是B/S的架构,所以采用的是selenium的框架来实现。大致实现步骤如下:
1.环境准备
2.验证码爬取
3.识别方案选择
4.图像处理和识别
5.自动化实现
一、环境准备
系统:macOS
软件:Pycharm
语言:Python 2.7
浏览器:Chrome 70.0.35
依赖库:selenium 3.141、xlrd 1.1、aip 1.0.0.5、pytesser、pytesseract 0.2.5、opencv-python 3.4.3、urllib3 1.24.1、Pillow-PIL 0.1
驱动安装与配置环境:
②具体浏览器与驱动版本映射表可参考 /huilan_same/article/details/51896672 ,最新chrome 74版本---ChromeDriver v74.0.3729.6
③解压后放置在/usr/local/bin/目录下
④加入环境变量:export PATH=$PATH:/usr/local/bin/ChromeDriver
二、验证码爬取
对于验证码而言,目前各式网站出现的验证码类型基本有:图形验证码(数字、计算题、中文、英文、问答题)、滑块验证码、语音验证码、图片验证码(正倒序、同类型)。自身项目的验证码为数字+英文图形验证码,针对这一块的内容,首先我们先来爬取一些验证码到指定文件夹中,来着重分析一下特点。代码如下:
1 #-*- coding:utf-8 -*-
2 from selenium importwebdriver3 importtime4 importurllib5 importos6 importsys7
8
9 req_url = "https://项目网址/#/"
10
11
12 defdownload_code(num):13 for i inrange(int(num)):14 browser.refresh()15 time.sleep(3)16 #寻找登录按钮,查找登录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 #获取验证码url链接
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 printlocal25 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()
大致讲解一下上面出现的一些函数用法和实现过程中存在的问题。
1.使用classname定位,运行时报错
A:一般来说,使用classname来定位还是比较精准的,但是此项目的classname包含了多个tag,如上述的登录按钮class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost',这时候使用find_elements_by_class_name方法定位,会无法定位并报错。所以需要使用find_elements_by_css_selector,大家可以根据各自项目来选择方法。
2.urllib.urlretrieve(src,local)
urllib模块提供的urlretrieve()函数,urlretrieve()方法直接将远程数据下载到本地,传入下载的链接。
3.命令行获取参数
为了指定我们想要下载的验证码数量,要在源程序里面修改吗?不用。sys.argv[]是一个从程序外部获取参数的桥梁,所获得的是一个列表(list),文中的sys.argv[1]则是代表获取列表中的下标为1的内容,在终端我们运行的方法是:python catch_code.py 10 ,这样sys.argv[1]取到的的值则为10,num的值亦为10,循环10次下载验证码。
三、识别方案选择
上节中爬取下来了100张验证码,如下图:
基本特性是:横向排列、数字与英文字母组合、字母间粘连占比约30%、背景干扰较少。阅读已有的一些ocr识别技术,基本有以下三个方向:
①pytesser
② pytesseract
③ 百度文字识别 AipOcr
为了对比这三者识别技术的识别率,对应实现来展示效果,所以样本选择为0.png、4.png、11.png(字母粘连、纯字母、字母+数字)
pytesser:谷歌OCR开源项目的一个模块,在python中导入这个模块即可将图片中的文字转换成文本。pytesser下载链接:/p/pytesser/ ,实现代码如下:
1 #-*- coding:utf-8 -*-
2 from PIL importImage3 importpytesser.pytesser as pytesser4
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()函数可以实现简单的英文字母识别,如果图像是不相容的,会先转换成兼容的格式,然后再提取图片中的文本信息。
image_to_string()函数亦可实现英文字母识别,读取图片时,将内存中的图像文件保存为bmp,再使用tesseract处理。
执行结果如下:
顺序识别0,4,11图片后均无法识别结果,识别概率为0%
pytesseract:Google的Tesseract-OCR引擎包装器
1 print pytesseract.image_to_string(Image.open('code_pic/test_pic/11.png'),lang="eng")
顺序识别0,4,11图片后均无法识别结果,识别概率为0%
AipOcr:一款百度提供的OCR识别服务,支持多种图片格式,接口免费调用50000次/日,具体请参考官方文档:/docs#/OCR-API/top,在实现之前,我们需要创建一款产品,来获得AppID、API Key、Secret Key的值。如下图:
获取到以上三个参数后,继续上代码:
1 from aip importAipOcr2
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 #读取图片
10 defget_file_content(filePath):11 with open(filePath, 'rb') as fp:12 returnfp.read()13
14 image = get_file_content('/Users/funny/PycharmProjects/auto_cloud/code_pic/test_pic/11.png')15 #调用通用文字识别, 图片参数为本地图片
16 result =client.general(image)17
18 #定义参数变量
19 options ={20 #定义图像方向
21 'detect_direction' : 'true',22 #识别语言类型,默认为'CHN_ENG'中英文混合
23 'language_type' : 'CHN_ENG',24
25
26 }27
28 #调用通用文字识别接口
29 result =client.general(image,options)30 print(result)31 for word in result['words_result']:32 print(word['words'])
顺序识别0,4,11图片后,图片11识别出了一半,提取到了"2F",概率为16%
四、图像处理和识别
在上节看来,未经过处理的图片进行识别,识别概率都非常之低。所以我们换一个角度来思考,通过对图片进行一些处理,使得特征更加明显,再通过上述的三种识别库来识别,提高识别的概率。步骤大致如下:1)灰度二值化 2)线降噪 3)开运算
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()
处理的图像如下:
2)线降噪
#二值化图片,并且线降噪
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矩阵点是反的#img[1,2] 1:图片的高度,2:图片的宽度
for y in range(1, w - 1):for x in range(1, h - 1):
count=0if 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]= 255cv2.imshow('线降噪',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
处理的图像如下:
3)闭运算
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)) #定义结构元素
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) #开运算
closing =cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imshow('闭运算',closing)
cv2.waitKey(0)
cv2.destroyAllWindows()
处理的图像如下:
图像处理到现在基本上我们已经将已有的背景干扰及色彩去除完毕,接下来我们针对这些处理的图像进行三种识别方案的识别,识别结果如下表:
我们来分析一下这个表,在最开始的二值化,AipOcr至少识别出来了一些内容。纵观三种图像处理后的识别效果,明显闭运算已经能识别出大致的内容了,图片4.png三种识别方式都是可以识别出来,对于0.png这种粘连字母,识别效果基本为0%,而11.png“j”的底部表现不出来,所以识别不出来,但后面的内容亦识别成功。所以我们可以总结三点:①识别方式精准度 :AipOcr>pytesser>pytesseract。 ②处理后效果:闭运算>线降噪>二值化。③粘连性、带噪点图片识别效果非常差(当前准确值是基于我选取的样本集)。
五、自动化实现
从上节的处理和识别中的总结内容中,本项目我们选择将AipOcr作为识别,若识别结果不正确(如粘连、噪点过多、部分裁剪图片),将获取新的验证码,以此类推。将上述部分代码封装,方便调用,最终完整代码如下:
1 #-*- coding:utf-8 -*-
2 from selenium importwebdriver3 from time importsleep4 importxlrd5 importos6 importtime7 importurllib8 importcv29 from aip importAipOcr10 #define
11 req_url = "网址"
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读取
19 defLoad_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" %xlsname26 nrows =sh.nrows27 ncols =sh.ncols28 #print "nrows %d, ncols %d" % (nrows, ncols)
29 #获取第一行第一列数据
30 cell_value = sh.cell_value(1, 1)31 #print cell_value
32 row_list =[]33 #获取各行数据
34 for i in range(1, nrows):35 row_data =sh.row_values(i)36 row_list.append(row_data)37 returnrow_list38
39 defchange_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)) #定义结构元素
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 defcode_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 #调用通用文字识别, 图片参数为本地图片
51 result =client.general(image)52 #定义参数变量
53 options ={54 #定义图像方向
55 'detect_direction': 'true',56 #识别语言类型,默认为'CHN_ENG'中英文混合
57 'language_type': 'CHN_ENG',58 }59 #调用通用文字识别接口
60 result =client.general(image, options)61 printresult62 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=False73 row_list=Load_excel()74 printrow_list75 browser =webdriver.Chrome()76 browser.get(req_url)77 time.sleep(4)78 #寻找登录按钮,查找登录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 #获取验证码url
82 src = browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")83 urllib.urlretrieve(src, local)84 print "下载验证码中。。。"
85 change_catch()86 word=code_detect()87 printword88 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=="网址":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 "下载验证码中。。。"
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 "登录成功"
对于粘连性及部分被切割的验证码,还需要再研究一番~
另,因为验证码识别率还不能达到100%,且后期可能因为版本迭代的原因,更换不同方式的验证码类型,所以这里只是提供一个图像预处理思路给到大家,实现登录自动化还有其他方式,如白名单控制、关闭验证码校验等。