東京大學招生海報上的那些事（下）

我也跟著搞了搞，下面把感受和過程貼下。

我選了妹子打傘的那一張，首先就是OCR識別01，在linux下用的tesseract-ocr，具體使用方法在這篇文章裡提到了，很詳細，不過稍微有些舊，具體配置過程參見裡面提到的官方文檔。

提前說一下，偶用tesseract-ocr識別的並不足夠準確==！（看STAGE1裡面人家用的是漢王搞的，我後來就沒有再試，直接用的人家搞下來的01繼續了下一步。。）我是這麼做的。

首先在google code上下載了tesseract-ocr源碼，按文檔解決好依賴，然後配置安裝。接著下載語言套件，在列表裡可以看到一個Math/Equation的，不是因為要識別數字就下載這個包，我們只要eng的就可以。然後解壓到tessdata下，如果你有自己的安裝目錄，要export一下tessdata的副檔案夾（如果找不到訓練集，tesseract也會提示你設一下），不然的話就放在/user/local/share/tessdata下。最新的tesseract已經支援不少圖片格式了，因此沒必要在convert格式。

執行tesseract 1.png 1.out -l eng。結果只有一點點亂七八糟的東西，一點意義也沒有。。為了提高識別準確度，可以把每一行截個圖，逐行處理。甚至可以用PS，總之提高圖片裡數位對比跟清晰度，然後再給tesseract識別。

這回好多了，不過發現結果裡面有好多字母，我們明明只需要數位，沒必要讓它把字母也包進來，況且還是錯的。。可以給tesseract加個配置項digits，這樣它就只會識別數字了，執行tesseract 1.png 1.out -l eng digits，結果裡有一些94.。。再縮小範圍，讓tesseract只識別01. 不過預設檔案沒有這個配置項，我們可以手工寫一個。

在/usr/local/share/tessdata/configs裡，sudo cp digits binarys，然後修改一下binarys，使其只識別01. binarys最終內容如下：tessedit_char_whitelist 01

現在執行tesseract 1.png 1.out -l eng binarys，結果已經好很多了。不過苦B之處在於，這個結果總歸是不可信的，你還得一個一個去比對tesseract是不是識別對了。

總結，OCR識別有意義的文字，對準確度要求並不高。但是識別二進位碼要求就相當高了，錯一個都沒的進行下一步==！

接下來就是把識別的文本的二進位碼轉化成一些有意義的東西。在（上）中，可以看到作者對每行幾個，一共幾行，總數是不是8的倍數等都統計了一遍，要想出這些二進位碼到底是什麼感覺是最最難的一步，得有足夠的想象力。妹子打傘的這個還好說，直接寫成二進位檔案就是下一步的結果，紅衣端莊全身照的那個，作者最後說搞出來一段二進位碼是重複的，並且最後一次重複還有點雜訊，然後作者就直接扣出那一段分析，不管其它的了，總覺得不夠完美啊，恩。。果然還是這一步最難了。

下面把文本二進位碼寫成二進位檔案的代碼貼下，需要說明的是，這段代碼不通用，因為我預設的二進位碼總數是8的倍數（太爛了，好久不寫cpp）。

#include<fstream>#include<iostream>using namespace std;int main(){    ifstream infile;    infile.open("binary");    if(infile){        cout<<"open success!"<<endl;        ofstream outfile;        outfile.open("binaryout",ofstream::out);        if(!outfile){            cout<<"open write file failure"<<endl;            return 0;        }else{            cout<<"open outfile success!"<<endl;        }        char in,out,tmp;        int count=0;        int totalInterator = 0;        out=0;        while(true){            cout<<"totalInterator:"<<totalInterator<<endl;            totalInterator++;            in = infile.get();            if(!infile.good()){                break;            }            if(in==10){                continue;            }            tmp = ((in-'0')<<(7-count));            out = out | tmp;            count++;            if(count==8){                count=0;                outfile.put(out);                outfile.flush();                out=0;            }        }        outfile.flush();        outfile.close();        infile.close();        cout<<"done"<<endl;    }else{        cout<<"open error!"<<endl;    }    return 0;}

在（上）中，作者反覆提到了big-endian，little-endian，但是這裡其實是用不到這個概念的==！不信你看他最後結論是不是都是big-endian正確？big-endian，little-endian分別是一個數儲存的時候以高位地址結尾和以低位地址結尾, 但是單位是位元組，因此又稱作高位元組序和低位元組序。一個ASCII碼本來就是一個位元組，因此也無所謂高位元組序，低位元組序了。作者的意思可能是一個位元組正著存還是反著存，這個我覺得除非是解人家加密的密碼，否則沒有這個考慮的必要。

寫出來的二進位檔案，要分析它的屬性，就需要看檔案的頭幾個位元組，類型一般是前三位元組。我從網上搜來一點類型，展示一下。

      SWF (swf)："435753"或者“465753"      JPEG (jpg)："FFD8FF"      PNG (png)："89504E47"      GIF (gif)："47494638"      TIFF (tif)："49492A00"      Bitmap (bmp)："424D"      CAD (dwg)："41433130"      XML (xml)："3C3F786D6C"      HTML (html)："68746D6C3E"));      Word/Excel (xls.or.doc)："D0CF11E0"      Access (mdb)："5374616E64617264204A"      ZIP Archive (zip)："504B0304"      RAR Archive (rar)："52617221"      Wave (wav)："57415645"      AVI (avi)："41564920"      Real Media (rm)："2E524D46"      MPEG (mpg)："000001BA"或者"000001B3"      Quicktime (mov):"6D6F6F76"      Windows Media (asf):"3026B2758E66CF11"

由於linux不是靠副檔名識別檔案類型的，所以gnome一下就認出了這是gz，不然我們就自己搜然後用對應的軟體開啟好了。

給二進位檔案（我的叫binaryout）加上副檔名gz，命令列解壓下：gunzip binaryout.gz。或者保留著源壓縮包，gunzip -c binaryout.gz > binaryout

不加副檔名，gunzip預設是不給你解壓的，除非加上參數-f。

然後華麗的class檔案就出來了~cafe babe有木有~

你可以這麼看二進位檔案：vim binaryout -b以二進位方式察看，然後在vim裡面轉換成十六進位，看的方便點: %!xxd .有一篇文章講的就是這個。

直接運行找不到類是正常的，因為Java 要求檔案的類名要和程式裡的類名統一的，即主程式類名是A，那麼這個編譯後的class檔案命名為A.class。我們搞成這種形式就能運行了。在（上）中，java拋出的錯誤直接提示了類名是i。我的並沒有這個提示，只說找不到類。其實都到這步了，哪用管這麼多，直接jd反編譯，看結果。不貼代碼了，（中）裡面62樓有寫的，那就是完整代碼。

然後或者你把binaryout改名成i.class，或者你乾脆把代碼copy到你的eclipse裡運行一下，URL結果就出來了。

其實這段java代碼也挺好玩，這段雜亂的字串是怎麼組織起來成為URL的？

我們通過以下代碼來看每次訪問的index

#include<stdio.h>int main(){    int arr[42];    int x,i;    for(i=0;i<42;i++){        arr[i]=0;    }    for(i=0;i<50;i++){        x = i * 6 % 41;        printf("%d",x);        if(arr[x]==0){            arr[x]=1;        }else{            printf("collision!");        }        printf("\n");    }    return 0;}

輸出結果發現，前41個根本沒有衝突，接下來才會發生衝突。而www.i.u-tokyo.ac.jp/fun/hikari-loveletter，這段URL長度正好是41！因此只要對URL每個字元換到新的位置，就是w-aurlwtcniewo./-t.kjhltiypioe.o/kvru.fae這段混亂的字元了。

東京大學這麼用心，給跪了。。情報，和服，妹子，詩跟音樂，這海報牛大了。