新浪微博驗證碼的破解方法【代碼】

有次幫某人發spam，找人來填調查。寫了個自動評論的指令碼，但是發出一定數量的評論之後就會遭遇驗證碼，於是決定破解之。
思路也是一般的轉化切割比對，成功率不是很高，不過重試幾次也是可以用的。
雖然已經控制好了頻率，不過最後還是被管理員發現了，直接封了帳號（好在是臨時註冊的），再註冊再封，後來乾脆封IP，

於是不得不給我的vps換了個ip（也好在是免費的），杯具。
閑話休說，言歸正題。

首先是需要取得驗證碼的樣本，以作訓練特徵之用。而要取得驗證碼，首先要類比登入的請求：

usr = 'xx' psw = 'oo' 
resp = urllib2.urlopen('https://login.sina.com.cn/sso/login.php?username=%s&password=%s&returntype=TEXT' %
 (   usr, psw)) cookie = Cookie.SimpleCookie(resp.headers['set-cookie']) headers = {   'Referer': 'http://t.sina.com.cn',   'Cookie': cookie_header(cookie), 
'User-Agent': 'Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.2.3pre) Gecko/20100405 Firefox/3.6.3plugin1', } def cookie_header(cookie):   
ret = ''   for v in cookie.values():     ret += "%s=%s; " % (v.key, v.value)   return ret

headers就是後續的請求中，需要傳遞的參數了。
取回一些驗證碼樣本：

for i in xrange(100):  
 req_img = urllib2.Request('http://t.sina.com.cn/pincode/pin.php?lang=zh&r=%d&rule' % int(time() * 1000),     
headers = headers)   res_img = urllib2.urlopen(req_img)   f = open('xinlang_pincode/%d.png' % i, 'wb')   f.write(res_img.read())   f.close()

有一些驗證碼的回答是中文，中國首都什麼的，這些不處理，直接返回失敗。因為可以重複擷取重新識別，不成問題的。下面是處理算術問題驗證碼的方法：
先進行變換處理：

from PIL import Image, ImageFilter, ImageEnhance file = 'xinlang_pincode/0.png'   im = Image.open(file) im = im.convert()   
enhancer = ImageEnhance.Brightness(im) im = enhancer.enhance(2.0) #加亮，效果見圖1 enhancer = ImageEnhance.Contrast(im) im = enhancer.enhance(4) 
#提高對比，效果見圖2 im = im.convert('1') #二值化，效果見圖3 im = im.filter(ImageFilter.MedianFilter) #中值去噪，效果見圖4 im.show() 
#調用xv命令來顯示圖片，方便debug

圖1：

圖2：

圖3：

圖4：

這樣處理過之後，圖片背景中的色塊被過濾掉，雜點也被過濾掉，而數位形狀也沒有太大的損失。

下面是分解字元，也就是將每一個數字或者+-*等符號分解出來：

imim = im.load() WIDTH = 250 HEIGHT = 50   i = 0 has_start = False chars = [] while i < WIDTH:   all_none = True   for j in xrange(HEIGHT):     if imim[i, j] != 255:  
     all_none = False   if all_none:     if has_start:       end_x = i       has_start = False       char = im.crop((start_x, 0, end_x, HEIGHT))   
    char.show() #到這一步的效果見圖5         charchar = char.load()       width = end_x - start_x       y1 = 0       y2 = HEIGHT - 1       all_none = True      
while all_none:         for ii in xrange(width):           if charchar[ii, y1] != 255:             all_none = False         y1 += 1       all_none = True       while all_none:        
for ii in xrange(width):           if charchar[ii, y2] != 255:             all_none = False         y2 -= 1       char = char.crop((0, y1 - 1, width, y2 + 2))      
 char = char.resize((20, 20)) #將圖片縮放到統一的大小       char.show() #到這一步的效果見圖6         chars.append(char)   else:     if not has_start:      
 start_x = i       has_start = True   i += 1

圖5：字元被獨立分割開

圖6：字元上下兩邊的空白被去掉，且縮放到同一大小

這一步得到的chars是下面要用到的。

然後是訓練，也就是形成特徵庫。特徵庫規模越大，識別率也越高。不過訓練起來也挺累的，有幾十上百條也就好了。至少0到9和+-*=等幾個字元的特徵都要有：

file = open('xinlang.img', 'a') for c in chars:   nstr = ''   im_loaded = c.load()   for x in range(20):     for y in range(20):       if im_loaded[x, y] == 255:      
   nstr += '0'       else:         nstr += '1'   c.show()   n = raw_input('? ')   file.write(nstr+':'+n+'\n') file.close()

這裡的特徵，就是直接把每一個像素的資訊，用0和1組成的字串表示。
訓練的結果是一個文字檔，記錄了對應的特徵和字元，用於下面的比對。

比對函數：

pattern = [] for l in open('xinlang.img', 'r').read().split('\n'):   pattern.append(l.split(':')) del pattern[-1]   def what(img):   im = img.load()   nstr = ''  
for x in xrange(20): #產生靶心圖表像的特徵字串     for y in xrange(20):       if im[x, y] == 255:         nstr += '0'       else:         nstr += '1'   minmin = 400  
 res = None   for p in pattern:     cur = 0     for i in xrange(400):      
if nstr[i] != p[0][i]: #比對每一個像素，如果不相同，則增加差異值         cur += 1     if cur < = minmin: #記錄下差異值最小時所對應的字元      
 minmin = cur       res = p[1]   return res

最後測試一下：

for c in chars:   print what(c),

結果：

可以看到18+18這些字元可以成功識別。那為什麼=和?識別不了呢？因為我沒有訓練這兩個字元，而=和?都和數字2的特徵最接近 -_,-|

這個驗證碼還是挺好破解的，因為字元之間間距很大，而且沒有旋轉，沒有扭曲，不需要多少變換就能得到可用的結果。像google的那種，就完全沒法可想了。