node图片处理工具gm的使用:图片水印、图片验证码、图片裁剪示例

2024-06-10 04:48

本文主要是介绍node图片处理工具gm的使用:图片水印、图片验证码、图片裁剪示例,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

请在这里查看示例 gm示例

安装

GraphicsMagick和ImageMagick的区别

  • GraphicsMagick是从ImageMagick中分离出来的,推荐下载ImageMagick
  • 加载GraphicsMagick(大小4.72 MB)
    var gm = require('gm')

  • 加载ImageMagick(大小23.8 MB)
    var gm = require('gm').subClass({imageMagick: true})// 注意使用的区别

  • 除了加载有区别,其他使用方式完全一样

window版本

  • 下载imagemagick的window版本(在页面靠下方),如图:
    这里写图片描述
  • 双击exe文件,进行安装,安装过程中要注意勾选以下选项
    这里写图片描述

linux版本(ubuntu 16.04)

  • ubuntu 安装imagemagick

要点

图片水印

var gm = require('gm').subClass({imageMagick: true})gm('./public/images/a.png')// 原图路径
.font('./fonts/zhulangyingxingti.ttf')// 配置逐浪硬行体字库路径
.drawText(10, 10, '水印')
.write('./public/images/b.png', function (e) {// 输出的图片路径if(e) {console.log(e.message)}else {console.log('done')}
})

drawText()中文乱码

  • 字体文件使用中文名称命名,运行时会报错,所以不要使用中文命名
    这里写图片描述
  • 如果确保字库引入正确,还出现中文乱码,那一定是字库文件本身有问题,换一种字库就可以了
  • 尝试过字库格式ttf、otf均支持
    详见:
    字库ttf和otf格式有什么区别?

图片验证码

  • 准备一张背景杂乱的图片和艺术字体的英文字库
    这里写图片描述
  • index.html

    <img src="/gm/captchaAdd"><!-- 前端通过img标签请求验证码 -->
  • app.js

    var express = require('express')
    var session = require('express-session')
    ...var cap = {// 通过函数随机出一个验证码对象,包括文字和在杂乱背景上的位置(这里假如如下)text: 'ab12',pos: [20, 50],
    }// 生成验证码
    app.all('/gm/captchaAdd', function(req, res, next) {var url = './public/images/'+(''+Math.cap()).replace('.', '')+'.png'// 设置验证码的输出路径,且给一个随机文件名gm('./lib/images/captchaBg.png')// 一张背景杂乱的图片作为验证码的背景.font('./lib/src/SelfRighteousness-Regular.ttf')// 一种略艺术的英文字库.fontSize(50)// 设置字体大小.drawText(cap.pos[0], cap.pos[1], cap.text)// 写入随机的验证码.crop(100, 40, cap.pos[0], cap.pos[1])// 将相应的文字部分裁剪出来,作为验证码.noise(1// 加入噪点.write(url, function (e) {// 随机一个文件名,并输出验证码if(e) {console.log(e.message)}else {req.session.captcha = cap// 将验证码对象写入session,用来登录时跟用户输入的作比较res.download(url)// 这里用download方法发送图片,前端千万不能用ajax方式请求}})
    })// 用户登录
    app.all('/user/login', function(req, res, next) {if(req.body.captcha.toLocaleLowerCase() != req.session.captcha.text.toLocaleLowerCase()) {res.send({message: '验证码不正确'})}else {...}
    })
  • 效果如下
    1. 这里写图片描述 2. 这里写图片描述 3. 这里写图片描述
  • 最后可以通过AI开放平台提供的文字识别技术来测试机器识别的效果
  • 升级版验证码(参考慕课网)
    • 用户使用某个用户名尝试登陆,如果错误,将给该用户名在数据库记录一次错误
    • 该用户名错误次数达到3次,要求需等待半小时后才能再次尝试登录该用户名,且必须输入验证码
    • 所以当用户来到登录页面时,在输入用户名之后(或从cookie拿到记录的用户名),需要发送一个请求去验证此用户名是否需要输入验证码,如需要,将验证码输入框显示出来
    • 这个有个问题就是,其他用户可以通过故意错误的登录某些用户名,来使这些用户名永远处于等半小时的状态,导致永远无法登陆(不过为了用户安全,牺牲一点用户体验也是值得的)

详见:
使用session实现一次性验证码

头像裁剪

  • 下面我给出4种方式的思路
  • 方式1(本篇提供的demo即使用此方法)
    • 前端使用上传插件Webuploader来提供上传图片的功能
    • 前端使用Jcrop来提供裁剪的位置
    • 后端使用gm根据给出的裁剪位置对上传的图片进行裁剪
  • 方式2(可以借助jquery-plugins/h5Crop/插件,该插件我会继续完成)
    • 前端利用canvas实现裁剪和压缩,将处理后的base64传给后端
    • 后端将base64转化成图片,返回给前端进行展示
  • 方式3
    • 前端把图片传给后端
    • 后端压缩处理过之后,返回给前端(附带图片唯一标识)
    • 前端使用Jcrop获取图片的裁剪位置,将裁剪位置和图片唯一标识传给后端
    • 后端对对应的图片进行裁剪
  • 方式4(这个需要借助我的另一个裁剪插件,提供了2种方式进行裁剪,效果跟qq裁剪头像一样,以后会开源)
    • 前端裁剪
      • 前端通过js对图片进行平移、缩放操作
      • 再通过canvas的drawImage方法绘制操作后的图片
      • 再通过canvas的toDataURL进行压缩同时获取最终的base64
      • 传base64到后端,后端转为图片,返回图片路径,前端进行展示
    • 后端裁剪
      • 前端通过js对图片进行平移、缩放操作
      • 将操作后获取的裁剪参数(裁剪框的大小、缩放的比率、压缩的比率)和图片文件一同传给后端
      • 后端对上传的文件进行裁剪,返回图片路径,前端进行展示
    • 需使用到的ImageMagick小细节
      • 读取本地图片资源gm('upload\\temp\\crop\\20180601\\49076530-6584-11e8-9542-0d60dcc7daa8.jpg'))
      • 读取外链图片资源gm('http://localhost:3000/upload/temp/crop/20180601/49076530-6584-11e8-9542-0d60dcc7daa8.jpg'))
      • 读取base64图片资源'inline:' + 'data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/2wBD...')(注意不适用超过5000个字符的base64字符串,否则会转换失败)
      • 为了解决base64过长时ImageMagick处理会失败,我们使用node来转换base64为图片
      • 缩放图片传入百分比gm('xxx.png').resize('50%'))
      • 压缩图片传入值gm('xxx.png').quality(50))
      • 不管是前端canvas压缩还是后端ImageMagick压缩,最后的输出的格式都要是jpeg或jpg,否则压缩后的大小很可能会变大
    • 效果展示(动图较大,请耐心等待)
      这里写图片描述
  • 优缺点对比
    • 方式1:后端只要写1个接口(Webuploader对图片可以进行压缩)
    • 方式2:兼容性IE>=10,减少后端工作量
    • 方式3:适中,后端需要写2个接口(上传图片接口和裁剪图片接口)
    • 方式4:编写复杂,但是扩展性好,可自由选择一种方式

参考

gm官方文档
nodejs图片处理工具gm用法
nodejs gm drawText使用(中文、字体、大小及颜色)
ImageMagick常用操作

这篇关于node图片处理工具gm的使用:图片水印、图片验证码、图片裁剪示例的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1047254

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

高效录音转文字:2024年四大工具精选!

在快节奏的工作生活中,能够快速将录音转换成文字是一项非常实用的能力。特别是在需要记录会议纪要、讲座内容或者是采访素材的时候,一款优秀的在线录音转文字工具能派上大用场。以下推荐几个好用的录音转文字工具! 365在线转文字 直达链接:https://www.pdf365.cn/ 365在线转文字是一款提供在线录音转文字服务的工具,它以其高效、便捷的特点受到用户的青睐。用户无需下载安装任何软件,只

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言