前言
本文将使用pytorch框架的目标识别技术实现滑块验证码的破解。我们这里选择了yolov5算法
例：输入图像
输出图像
可以看到经过检测之后，我们能很准确的定位到缺口的位置，并且能得到缺口的坐标，这样一来我们就能很轻松的实现滑动验证码的破解。
一.前期工作
yolov系列是常用的目标检测算法，yolov5不仅配置简单，而且在速度上也有不小的提升，我们很容易就能训练我们自己的数据集。
YOLOV5 Pytorch版本GIthub网址感谢这位作者的代码。
下载之后，是这样的格式
---data/ Annotations/ 存放图片的标注文件（.xml） images/ 存放待训练的图片 ImageSets/ 存放划分数据集的文件 labels/ 存放图片的方框信息
其中只需要修改Annotations和images两个文件夹。
首先我们将待训练的图片放入images
数据集要感谢这位大神的整理https://github.com/tzutalin/labelImg，在这个基础上我增加了50张来自腾讯的验证码图片
数据集已上传百度云
链接: https://pan.baidu.com/s/1XS5KVoXqGHglfP0mZ3HJLQ
提取码: wqi8
然后我们需要对其进行标注，告诉计算机我们希望它识别什么内容。这时候我们需要精灵标注这款软件。免费而且功能强大，五星好评！
第一步选择images文件夹，第二步有几类就写几类，建议用英文。这里只有一类，即为缺失快的位置，命名为target。注意标注的时候要左右恰好卡住，不然获得的坐标就不精准。
标注完成后，点击导出，文件格式不用动，直接点确定，就会在images/outputs文件夹生成我们的标注文件。全部复制到Annotations文件夹即可。
回到主目录，运行makeTxt.py和voc_label.py，makeTxt直接运行即可，voc_label需要修改classes的值，这次只有一target
import xml.etree.ElementTree as ET import pickle import os # os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表 from os import listdir, getcwd from os.path import join sets = ['train', 'test', 'val'] classes = ['target'] #之前标注时有几个类，这里就输入几个类 """ ............ """
进入data文件夹，修改coco.yaml的内容
# COCO 2017 dataset http://cocodataset.org
# Download command: bash yolov5/data/get_coco2017.sh
# Train command: python train.py --data ./data/coco.yaml
# Dataset should be placed next to yolov5 folder:
# /parent_folder
# /coco
# /yolov5
# train and val datasets (image directory or *.txt file with image paths)
train: ../coco/train2017.txt # 118k images
val: ../coco/val2017.txt # 5k images
test: ../coco/test-dev2017.txt # 20k images for submission to https://competitions.codalab.org/competitions/20794
# number of classes
nc: 1
# class names
names: ['target']
# Print classes
# with open('data/coco.yaml') as f:
# d = yaml.load(f, Loader=yaml.FullLoader) # dict
# for i, x in enumerate(d['names']):
# print(i, x)
再进入models文件夹，修改yolov5s.yaml的内容
nc: 1 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple """ '''''''''''' """
至此配置环节终于结束了，可以开始训练了！
打开train.py，我们一般只需要修改–weights，–cfg，–data，–epochs几个设置即可
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='data/coco.yaml', help='data.yaml path')
parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')
parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
parser.add_argument('--rect', action='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='"htmlcode">
parser = argparse.ArgumentParser()
parser.add_argument('--weights', nargs='+', type=str, default='best.pt', help='model.pt path(s)')
parser.add_argument('--source', type=str, default='test.jpg', help='source') # file/folder, 0 for webcam
parser.add_argument('--img-size', type=int, default=640, help='inference size (pixels)')
parser.add_argument('--conf-thres', type=float, default=0.25, help='object confidence threshold')
parser.add_argument('--iou-thres', type=float, default=0.45, help='IOU threshold for NMS')
parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--view-img', action='store_true', help='display results')
parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')
parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels')
parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --class 0, or --class 0 2 3')
parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')
parser.add_argument('--augment', action='store_true', help='augmented inference')
parser.add_argument('--update', action='store_true', help='update all models')
parser.add_argument('--project', default='runs/detect', help='save results to project/name')
parser.add_argument('--name', default='exp', help='save results to project/name')
parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
opt = parser.parse_args()
–source属性我们可以先修改为data/images，对自己的数据集进行识别看看能否正常识别。
小Tips，如果执行后不报错，但没有检测框的话，试试看修改–device为cpu，cuda版本太低会导致使用gpu没有检测框（问就是被这个小问题迫害了很久 --_–）。
最后在112行左右的位置，添加一个print
这时执行程序就会返回方框的位置信息和自信度了
我们的前驱工作终于完成了~
二.编写爬虫
1.寻找合适的网站
经过一番搜寻，最后锁定了https://007.qq.com/online.html
因为它的网站结构很方便我们的操作。
2.导入依赖库
这里我们采用selenium来模拟人类的操作。
关于selenium的安装和webdriver的安装方法本文不作延伸。
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
import requests,re
import os
import requests
import re
import time
from selenium.webdriver import ActionChains
3.编写破解程序
访问网站，发现破解之前要依次点击
编写代码
def run()
driver = webdriver.Chrome()
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36"}
#伪装请求头
driver.get('https://007.qq.com/online.html') #访问网站
driver.find_element_by_xpath('/html/body/div[1]/section[1]/div/div/div/div[2]/div[1]/a[2]').click()
driver.find_element_by_xpath('//*[@id="code"]').click()
#模拟点击操作
继续
这里便是我们要识别的图片，不过直接定位的话并不能定位到，因为这段代码是由iframe包裹着的，我们需要先定位到这个iframe
time.sleep(2) #休眠2秒，防止报错
driver.switch_to_frame("tcaptcha_iframe") #根据iframe的id定位到iframe
target = driver.find_element_by_xpath("/html/body/div/div[3]/div[2]/div[1]/div[2]/img").get_attribute("src")
#得到图片的原地址
response = requests.get(target,headers=headers) #访问图片地址
img = response.content
with open( 'test.jpg','wb' ) as f:
f.write(img) #将图片保存到主目录,命名为test.jpg
现在图片也有了，检测程序也准备好了，那么开始检测吧！
'''
os.popen()的用法，简单来说就是执行cmd命令，并得到cmd的返回值
这里是执行detect.py
'''
result = os.popen("python detect.py").readlines() #执行目标检测程序
list = []
for line in result:
list.append(line) #将cmd的返回信息存入列表
print(list)
a = re.findall("(.*):(.*]).(.*)\\n",list[-4]) #获得图片的位置信息
print(a)
print(len(a))
if len(a) != 0: #如果能检测到方框
tensor=a[0][1]
pro = a[0][2]
list_=tensor[2:-1].split(",")
location = []
for i in list_:
print(i)
b = re.findall("tensor(.*)",i)[0]
location.append(b[1:-2])
#提取出来方框左上角的xy和右下角的xy
drag1 = driver.find_element_by_xpath('/html/body/div/div[3]/div[2]/div[2]/div[2]/div[1]')
#定位到拖动按钮处
action_chains = ActionChains(driver) #实例化鼠标操作类
action_chains.drag_and_drop_by_offset(drag1, int(int(location[2])/2-85), 0).perform()
#模拟鼠标按住并拖动距离 X 后再放开
input("等待操作")
driver.quit()
else:
driver.quit()
print("未能识别")
这里着重说一下
action_chains.drag_and_drop_by_offset(drag1, int(int(location[2])/2-85), 0).perform()
为什么要拖 int(int(location[2])/2-85) 远。
首先location这个列表的格式为[左上x，左上y，右下x，右下y]，location[2]即为取出右下角的x值。
我们保存到本地的验证码图片分辨率如下
但网站显示的图片大小
x轴刚好为本地图片的一半，所以int(location[2]/2)得到的便是
但是待拖动的方块本身距离左边还有一定距离，通过分析发现
这个小方块的最左边距离图片的最左边的距离即为红框中的26，即
26+68-10=84，因为这个10是试出来的长度，我们就令这段距离为85吧
至此 int(int(location[2])/2-85) 的由来也解释清楚了。
大功告成啦，那让我们看一遍演示吧！
selenium完整代码如下
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
import requests,re
import os
import requests
import re
import time
from selenium.webdriver import ActionChains
def run()
driver = webdriver.Chrome()
headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.106 Safari/537.36"}
#伪装请求头
driver.get('https://007.qq.com/online.html') #访问网站
driver.find_element_by_xpath('/html/body/div[1]/section[1]/div/div/div/div[2]/div[1]/a[2]').click()
driver.find_element_by_xpath('//*[@id="code"]').click()
#模拟点击操作
time.sleep(2) #休眠2秒，防止报错
driver.switch_to_frame("tcaptcha_iframe") #根据iframe的id定位到iframe
target = driver.find_element_by_xpath("/html/body/div/div[3]/div[2]/div[1]/div[2]/img").get_attribute("src")
#得到图片的原地址
response = requests.get(target,headers=headers) #访问图片地址
img = response.content
with open( 'test.jpg','wb' ) as f:
f.write(img) #将图片保存到主目录,命名为test.jpg
'''
os.popen()的用法，简单来说就是执行cmd命令，并得到cmd的返回值
这里是执行detect.py
'''
result = os.popen("python detect.py").readlines() #执行目标检测程序
list = []
for line in result:
list.append(line) #将cmd的返回信息存入列表
print(list)
a = re.findall("(.*):(.*]).(.*)\\n",list[-4]) #获得图片的位置信息
print(a)
print(len(a))
if len(a) != 0: #如果能检测到方框
tensor=a[0][1]
pro = a[0][2]
list_=tensor[2:-1].split(",")
location = []
for i in list_:
print(i)
b = re.findall("tensor(.*)",i)[0]
location.append(b[1:-2])
#提取出来方框左上角的xy和右下角的xy
drag1 = driver.find_element_by_xpath('/html/body/div/div[3]/div[2]/div[2]/div[2]/div[1]')
#定位到拖动按钮处
action_chains = ActionChains(driver) #实例化鼠标操作类
action_chains.drag_and_drop_by_offset(drag1, int(int(location[2])/2-85), 0).perform()
#模拟鼠标按住并拖动距离 X 后再放开
input("等待操作")
driver.quit()
else:
driver.quit()
print("未能识别")
while True:
run()
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
《魔兽世界》大逃杀！60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容，新游玩模式《强袭风暴》即将于3月21 日在亚服上线，届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕，并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时，他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中，玩家将会进入一个全新的海盗主题大逃杀式限时活动，其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场，作为一个独立于主游戏之外的活动，玩家可以用大逃杀的风格来体验《魔兽世界》，不分职业、不分装备（除了你在赛局中捡到的），光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式，玩家在加入海盗主题的预赛大厅区域前，可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹，《巨龙崛起》和《魔兽世界：巫妖王之怒 经典版》的玩家都可以获得奖励。
更新日志
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]