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:

    ① 下载chromedriver:http://chromedriver.storage.googleapis.com/index.html(需代理)、http://npm.taobao.org/mirrors/chromedriver/(无需代理)

    ②具体浏览器与驱动版本映射表可参考  https://blog.csdn.net/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 import webdriver
 3 import time
 4 import urllib
 5 import os
 6 import sys
 7 
 8 
 9 req_url = "https://项目网址/#/"
10 
11 
12 def download_code(num):
13     for i in range(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         print local
25         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:

    ① pytesser

    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:http://code.google.com/p/pytesser/  ,实现代码如下:

1 #-*- coding:utf-8 -*-
2 from PIL import Image
3 import pytesser.pytesser as pytesser
4 
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:https://ai.baidu.com/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 import AipOcr
 2 
 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 def get_file_content(filePath):
11     with open(filePath, 'rb') as fp:
12         return fp.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 = 0
        if 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] = 255


cv2.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 import webdriver
  3 from time import sleep
  4 import xlrd
  5 import os
  6 import time
  7 import urllib
  8 import cv2
  9 from aip import AipOcr
 10 #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 def Load_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" % xlsname
 26     nrows = sh.nrows
 27     ncols = sh.ncols
 28     #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     return row_list
 38 
 39 def change_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 def code_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     print result
 62     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=False
 73     row_list=Load_excel()
 74     print row_list
 75     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     print word
 88     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。