python之验证码识别 特征向量提取和余弦相似性比较
0.目录
1.参考
2.没事画个流程图
3.完整代码
4.改进方向
1.参考
https://en.wikipedia.org/wiki/Cosine_similarity
https://zh.wikipedia.org/wiki/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%BC%BC%E6%80%A7
Cosine similarity
Given two vectors of attributes, A and B, the cosine similarity, cos(θ),
is represented using a dot product and magnitude as...
余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,
余弦相似度通常用于正空间,因此给出的值为0到1之间。
范数(norm),是具有“长度”概念的函数。二维度的向量的欧氏范数就是箭号的长度。
这两篇文章在计算矢量大小的时候函数参数都写成 concordance调和, 而不用 coordinate坐标, 为何???
numpy中提供了范数的计算工具:linalg.norm()
所以计算cosθ起来非常方便(假定A、B均为列向量):
num = float(A.T * B) #若为行向量则 A * B.T
denom = linalg.norm(A) * linalg.norm(B)
cos = num / denom #余弦值
2.没事画个流程图
流程图 Graphviz - Graph Visualization Software
3.完整代码
#!/usr/bin/env python
# -*- coding: UTF-8 -*
import os
import time
import re
from urlparse import urljoin import requests
ss = requests.Session()
ss.headers.update({'user-agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:54.0) Gecko/20100101 Firefox/54.0'}) from PIL import Image
# https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431918785710e86a1a120ce04925bae155012c7fc71e000
# 和StringIO类似,可以用一个bytes初始化BytesIO,然后,像读文件一样读取:
from io import BytesIO
from string import ascii_letters, digits import numpy as np # ip_port_type_tuple_list = [] class Mimvp():
def __init__(self, num_width=None, feature_vectors=None, white_before_black=2, threshhold=100, max_nums=None, filepath=None, page=None):
self.ip_port_type_tuple_list = [] #fluent p189
if feature_vectors is None:
self.feature_vectors = []
else:
self.feature_vectors = list(feature_vectors) self.num_width = num_width
self.white_before_black = white_before_black
self.threshhold = threshhold
self.max_nums = max_nums self.filepath = filepath if page is None:
self.url = 'http://proxy.%s.com/free.php?proxy=in_hp'%'mimvp'
else:
self.url = 'http://proxy.%s.com/free.php?proxy=in_hp&sort=&page=%s' %('mimvp', page) def get_mimvp(self): # 预处理提取特征组需要取得 self.port_src_list
if self.feature_vectors == []:
self.extract_features() self.load_mimvp()
self.get_port_list()
self.merge_result()
return self.ip_port_type_tuple_list def load_mimvp(self):
resp = ss.get(self.url)
self.ip_list = re.findall(r"class='tbl-proxy-ip'.*?>(.*?)<", resp.text)
self.port_src_list = re.findall(r"class='tbl-proxy-port'.*?src=(.*?)\s*/>", resp.text) #图片链接
self.type_list = re.findall(r"class='tbl-proxy-type'.*?>(.*?)<", resp.text) def get_port_list(self):
self.port_list = []
for src in self.port_src_list:
port = self.get_port(src)
self.port_list.append(port) def get_port(self, src):
img = self.load_image_from_src(src)
split_imgs = self.split_image(img) port = ''
for split_img in split_imgs:
vector = self.build_vector(split_img)
compare_results = []
for t in self.feature_vectors:
cos = self.cos_similarity(vector, t.values()[0])
compare_results.append((cos, t.keys()[0]))
# print sorted(compare_results, reverse=True)
port += sorted(compare_results, reverse=True)[0][1]
print port
return port def load_image_from_src(self, src):
src = urljoin(self.url, src)
print src,
resp = ss.get(src) fp = BytesIO(resp.content)
img = Image.open(fp)
return img def split_image(self, img):
gray = img.convert('L') if self.num_width is None:
img.show()
print gray.getcolors()
self.num_width = int(raw_input('num_width:'))
self.white_before_black = int(raw_input('white_before_black:'))
self.threshhold = int(raw_input('BLACK < (threshhold) < WHITE:')) gray_array = np.array(gray)
bilevel_array = np.where(gray_array<self.threshhold,1,0) #标记黑点为1,方便后续扫描 left_list = []
# 从左到右按列求和
vertical = bilevel_array.sum(0)
# print vertical
# 从左到右按列扫描,2白1黑确定为数字左边缘
for i,c in enumerate(vertical[:-self.white_before_black]):
if self.white_before_black == 1:
if vertical[i] == 0 and vertical[i+1] != 0:
left_list.append(i+1)
else:
if vertical[i] == 0 and vertical[i+1] == 0 and vertical[i+2] != 0:
left_list.append(i+2)
if len(left_list) == self.max_nums:
break # 分割可见图片
# bilevel = Image.fromarray(bilevel_array) #0/1 手工提取特征 show显示黑块 还没保存gif
bilevel = Image.fromarray(np.where(gray_array<self.threshhold,0,255))
# the left, upper, right, and lower pixel
split_imgs = [bilevel.crop((each_left, 0, each_left+self.num_width, img.height)) for each_left in left_list] return split_imgs def build_vector(self, img):
# img = Image.open(img)
img_array = np.array(img)
# 先遍历w,再遍历h,总共w+h维度,不需要/255,标记黑点个数等多余处理
return list(img_array.sum(0)) + list(img_array.sum(1)) def cos_similarity(self, a, b):
A = np.array(a)
B = np.array(b)
dot_product = float(np.dot(A, B)) # A*(B.T) 达不到目的
magnitude_product = np.linalg.norm(A) * np.linalg.norm(B)
cos = dot_product / magnitude_product
return cos def merge_result(self):
for ip, port, _type in zip(self.ip_list, self.port_list, self.type_list):
if '/' in _type:
self.ip_port_type_tuple_list.append((ip, port, 'both'))
elif _type == 'HTTPS':
self.ip_port_type_tuple_list.append((ip, port, 'HTTPS'))
else:
self.ip_port_type_tuple_list.append((ip, port, 'HTTP')) def extract_features(self):
if self.filepath is not None:
img_list = self.load_images_from_filepath()
else:
self.load_mimvp()
img_list = self.load_images_from_src_list()
for img in img_list:
split_imgs = self.split_image(img)
for split_img in split_imgs:
split_img.show()
print split_img.getcolors()
input = raw_input('input:')
vector = self.build_vector(split_img)
item = {input: vector}
if item not in self.feature_vectors:
print item
self.feature_vectors.append(item) for i in sorted(self.feature_vectors):
print i,',' def load_images_from_filepath(self):
img_list = []
postfix = ['jpg', 'png', 'gif', 'bmp']
for filename in [i for i in os.listdir(self.filepath) if i[-3:] in postfix]:
file = os.path.join(self.filepath, filename)
img_list.append(Image.open(file))
return img_list def load_images_from_src_list(self):
img_list = []
for src in self.port_src_list:
img = self.load_image_from_src(src)
img_list.append(img)
return img_list if __name__ == '__main__': feature_vectors = [
{'': [4845, 5865, 5865, 5865, 5865, 4845, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1020, 1020, 1020, 1020, 1020, 1020, 1020, 1020, 1020, 1020, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [5865, 5865, 3825, 6120, 6120, 6375, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1275, 1020, 1020, 1275, 1275, 1275, 1275, 1275, 1275, 255, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [5100, 5610, 5610, 5610, 5610, 5355, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 510, 1020, 1020, 1275, 1020, 1275, 1275, 1275, 1275, 0, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [5355, 5865, 5610, 5610, 5610, 4590, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 510, 1020, 1020, 1275, 765, 1275, 1275, 1020, 1020, 510, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [5610, 5865, 5865, 5865, 3825, 6120, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1275, 1020, 1020, 1020, 1020, 1020, 0, 1275, 1275, 1275, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [4845, 5610, 5610, 5610, 5610, 5100, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 0, 1275, 1275, 1275, 255, 1275, 1275, 1275, 1020, 510, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [4590, 5610, 5610, 5610, 5610, 5355, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 765, 1275, 1275, 1275, 255, 1020, 1020, 1020, 1020, 510, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [6120, 6120, 6120, 5100, 5355, 5610, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 0, 1275, 1275, 1275, 1275, 1275, 1275, 1275, 1275, 1275, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [4590, 5610, 5610, 5610, 5610, 4590, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 510, 1020, 1020, 1020, 510, 1020, 1020, 1020, 1020, 510, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
{'': [5610, 5610, 5610, 5610, 5610, 4590, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 1530, 510, 1020, 1020, 1020, 255, 1275, 1275, 1275, 1275, 765, 1530, 1530, 1530, 1530, 1530, 1530, 1530]} ,
] # def __init__(self, feature_vectors=None, filepath=None, page=None): obj = Mimvp(num_width=6, feature_vectors=feature_vectors)
# obj = Mimvp()
# obj = Mimvp(filepath='temp/') ip_port_type_tuple_list = obj.get_mimvp() from pprint import pprint
pprint(ip_port_type_tuple_list)
4.改进方向
记录每个分割数字的x轴实际长度,这样的话考虑到不对图片的上下留白做处理,每个实际数字的h固定,而w不定,因此建立特征向量的时候改为先遍历h,再遍历w。
考虑到在比较余弦相似性的时候由于叉乘需要两个向量具有相同的维度,这里需要每次取最小维度再比较。
如此,在建立特征向量集的时候不需要提前指定每张分割数字为固定宽度。
python之验证码识别 特征向量提取和余弦相似性比较的更多相关文章
- Python - PIL-pytesseract-tesseract验证码识别
N天前实现了简单的验证识别,这玩意以前都觉得是高大上的东西,一直没有去研究,这次花了点时间研究了一下,当然只是一些基础的东西,高深的我也不会,分享一下给大家吧. 关于python验证码识别库,网上主要 ...
- 关于利用python进行验证码识别的一些想法
转载:@小五义http://www.cnblogs.com/xiaowuyi 用python加“验证码”为关键词在baidu里搜一下,可以找到很多关于验证码识别的文章.我大体看了一下,主要方法有几类: ...
- Python之验证码识别功能
Python之pytesseract 识别验证码 1.验证码来一个 2.适合什么样的验证码呢? 只能识别简单.静态.无重叠.只有数字字母的验证码 3.实际应用:模拟人工登录.页面内容识别.爬虫抓取信息 ...
- Mac python Tesseract 验证码识别
Tesseract 简介 Tesseract(/'tesərækt/) 这个词的意思是"超立方体",指的是几何学里的四维标准方体,又称"正八胞体".不过这里要讲 ...
- python 豆瓣验证码识别总结
总结: pytesseract 识别比较标准的图片 识别成功率 还是不错的. 验证码的图片识别 需要先处理好 再用pytesseract 识别 from PIL import Image ...
- python语言验证码识别,以后不用老输入验证码了。
1.Python 3.6 安装包 1.要加环境变量 2.pip安装PIL库 3.pip安装pytesseract模块 2.tesseract-ocr-setup-4.00.00dev.exe -- ...
- python简单验证码识别
在学习python通过接口自动登录网站时,用户名密码.cookies.headers都好解决但是在碰到验证码这个时就有点棘手了:于是通过网上看贴,看官网完成了对简单验证码的识别,如果是复杂的请看大神的 ...
- python+tesseract验证码识别的一点小心得
由于公司需要,最近开始学习验证码的识别 我选用的是tesseract-ocr进行识别,据说以前是惠普公司开发的排名前三的,现在开源了.到目前为止已经出到3.0.2了 当然了,前期我们还是需要对验证码进 ...
- Python:验证码识别
说明:此验证方法很弱,几乎无法识别出正确的验证码
随机推荐
- python 装饰器练习题
1.写出完整的装饰器(不用开了带参装饰器,就是普通装饰器)语法 2.有一个计算两个数和的方法,为其添加一个确保两个参数都是int或float类型的装饰器,保证运算不会抛异常 3.有一个一次性录入人名并 ...
- 前端基础之BOM和DOM(响应式布局、计时器、搜索框、select联动)
一.BOM和DOM JavaScript分为 ECMAScript,DOM,BOM. BOM(Browser Object Model)是指浏览器对象模型,它使 JavaScript 有能力与浏览器进 ...
- [Codeforces702F]T-Shirts——非旋转treap+贪心
题目链接: Codeforces702F 题目大意:有$n$种T恤,每种有一个价格$c_{i}$和品质$q_{i}$且每种数量无限.现在有$m$个人,第$i$个人有$v_{i}$元,每人每次会买他能买 ...
- Kubernetes 中的渐进式交付:蓝绿部署和金丝雀部署
渐进式交付是持续交付的下一步, 它将新版本部署到用户的一个子集,并在将其滚动到全部用户之前对其正确性和性能进行评估, 如果不匹配某些关键指标,则进行回滚. 这里有一些有趣的项目,使得渐进式交付在 Ku ...
- 【dfs】P1433 吃奶酪
题目描述 房间里放着n块奶酪.一只小老鼠要把它们都吃掉,问至少要跑多少距离?老鼠一开始在(0,0)点处. 输入输出格式 输入格式: 第一行一个数n (n<=15) 接下来每行2个实数,表示第i块 ...
- GCC __builtin_expect的作用
https://blog.csdn.net/shuimuniao/article/details/8017971 #define LIKELY(x) __builtin_expect(!!(x), 1 ...
- Netty序章之BIO NIO AIO演变
Netty序章之BIO NIO AIO演变 Netty是一个提供异步事件驱动的网络应用框架,用以快速开发高性能.高可靠的网络服务器和客户端程序.Netty简化了网络程序的开发,是很多框架和公司都在使用 ...
- Pandas系列(四)-文本数据处理
内容目录 1. 为什么要用str属性 2. 替换和分割 3. 提取子串 3.1 提取第一个匹配的子串 3.2 匹配所有子串 3.3 测试是否包含子串 3.4 生成哑变量 3.5 方法摘要 一.为什么要 ...
- Python list和 np.Array 的转换关系
一.List转String 1.str list转 string a_list = ["h","e","l","l",& ...
- springMVC工作过程
学习springmvc之前先学习一下他的工作过程 如图 1.用户通过客户端向服务器发送请求,请求会被springMVC的前端控制器DispatchServlet所拦截. 2.DispatchServl ...