python 使用ddddocr库实现滑块验证码滑动验证

本文主要是介绍python 使用ddddocr库实现滑块验证码滑动验证，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！

一. 识别滑块缺口

1. 使用ddddocr识别
   该算法识别准确率为95%左右，测试三轮，每轮测试100次

def generate_distance(slice_url, bg_url):""":param bg_url: 背景图地址:param slice_url: 滑块图地址:return: distance:rtype: Integer"""slide = ddddocr.DdddOcr(det=False, ocr=False, show_ad=False)slice_image = requests.get(slice_url).contentbg_image = requests.get(bg_url).contentresult = slide.slide_match(target_bytes, bg_image, simple_target=True)return result['target'][0]

1. 使用cv2识别
   该算法识别准确率为95%左右，测试三轮，每轮测试100次

def generate_distance(slice_url, bg_url):""":param bg_url: 背景图地址:param slice_url: 滑块图地址:return: distance:rtype: Integer"""slice_image = np.asarray(bytearray(requests.get(slice_url).content), dtype=np.uint8)slice_image = cv2.imdecode(slice_image, 1)slice_image = cv2.Canny(slice_image, 255, 255)bg_image = np.asarray(bytearray(requests.get(bg_url).content), dtype=np.uint8)bg_image = cv2.imdecode(bg_image, 1)bg_image = cv2.pyrMeanShiftFiltering(bg_image, 5, 50)bg_image = cv2.Canny(bg_image, 255, 255)result = cv2.matchTemplate(bg_image, slice_image, cv2.TM_CCOEFF_NORMED)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)return max_loc[0]

二. 构造滑块轨迹

1. 构造轨迹库
   图片长度为300，理论上就300种轨迹，实际上应该是200+种，还要减去滑块图的长度80
   手动滑他个几百次，并把距离和轨迹记录下来，识别出距离后直接查对应轨迹
2. 算法构造轨迹track

def generate_track(distance):def __ease_out_expo(step):return 1 if step == 1 else 1 - pow(2, -10 * step)tracks = [[random.randint(20, 60), random.randint(10, 40), 0]]count = 30 + int(distance / 2)_x, _y = 0, 0for item in range(count):x = round(__ease_out_expo(item / count) * distance)t = random.randint(10, 20)if x == _x:continuetracks.append([x - _x, _y, t])_x = xtracks.append([0, 0, random.randint(200, 300)])times = sum([track[2] for track in tracks])return tracks, times

三. 结语

本篇文章篇幅不长，主要也没啥好说的，验证码研究多了，识别和轨迹就那几套方法，换汤不换药
函数a(e, t)中的重头戏：c.guid()、_.encrypt()、i.encrypt()、c.arrayToHex()四个函数我们放到浩瀚篇再说吧，不然我这紫极魔瞳四大境界变成三大境界了，哈哈哈

 

这篇关于python 使用ddddocr库实现滑块验证码滑动验证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！

---