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：
#-*- coding:utf-8 -*-
from selenium import webdriver
import time
import urllib
import os
import sys req_url = "https://项目网址/#/" def download_code(num):
for i in range(int(num)):
browser.refresh()
time.sleep(3)
# 寻找登录按钮，查找登录classname
browser.find_elements_by_css_selector("[class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost']")[0].click()
time.sleep(3)
#获取验证码url链接
src=browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
time.sleep(1) local = '/Users/funny/PycharmProjects/auto_cloud/code_pic/' + str(i) + '.png'
print local
urllib.urlretrieve(src,local)
time.sleep(1) if __name__=="__main__":
browser = webdriver.Chrome()
browser.get(req_url)
download_code(sys.argv[1])
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：
#-*- coding:utf-8 -*-
from PIL import Image
import pytesser.pytesser as pytesser image = Image.open('code_pic/test_pic/0.png')
print pytesser.image_file_to_string('code_pic/test_pic/0.png')
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
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：
from aip import AipOcr # 你的 APPID AK SK
APP_ID = '1*****'
API_KEY = 'sHzo*******'
SECRET_KEY = 'V******' client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
# 读取图片
def get_file_content(filePath):
with open(filePath, 'rb') as fp:
return fp.read() image = get_file_content('/Users/funny/PycharmProjects/auto_cloud/code_pic/test_pic/11.png')
# 调用通用文字识别, 图片参数为本地图片
result = client.general(image) # 定义参数变量
options = {
# 定义图像方向
'detect_direction' : 'true',
# 识别语言类型，默认为'CHN_ENG'中英文混合
'language_type' : 'CHN_ENG', } # 调用通用文字识别接口
result = client.general(image,options)
print(result)
for word in result['words_result']:
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：
#-*- coding:utf-8 -*-
from selenium import webdriver
from time import sleep
import xlrd
import os
import time
import urllib
import cv2
from aip import AipOcr
#define
req_url = "网址"
local = '/Users/funny/PycharmProjects/auto_cloud/code_pic/code.png'
APP_ID = '1****2'
API_KEY = 's*****'
SECRET_KEY = 'V******Hw'
xlsname="user_tab.xlsx" #excel读取
def Load_excel():
excel = xlrd.open_workbook(xlsname)
shxrange = range(excel.nsheets)
try:
sh = excel.sheet_by_name("Sheet1")
except:
print "no sheet in %s named Sheet1" % xlsname
nrows = sh.nrows
ncols = sh.ncols
#print "nrows %d, ncols %d" % (nrows, ncols)
# 获取第一行第一列数据
cell_value = sh.cell_value(1, 1)
# print cell_value
row_list = []
# 获取各行数据
for i in range(1, nrows):
row_data = sh.row_values(i)
row_list.append(row_data)
return row_list def change_catch():
img = cv2.imread('/Users/funny/PycharmProjects/auto_cloud/code_pic/code.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 3)) # 定义结构元素
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
cv2.imwrite('/Users/funny/PycharmProjects/auto_cloud/code_pic/code-close.png',closing) def code_detect():
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
f=open('/Users/funny/PycharmProjects/auto_cloud/code_pic/code-close.png','rb')
image =f.read()
# 调用通用文字识别, 图片参数为本地图片
result = client.general(image)
# 定义参数变量
options = {
# 定义图像方向
'detect_direction': 'true',
# 识别语言类型，默认为'CHN_ENG'中英文混合
'language_type': 'CHN_ENG',
}
# 调用通用文字识别接口
result = client.general(image, options)
print result
print str(result['words_result'][0]['words'])
return str(result['words_result'][0]['words']) if __name__ == '__main__': flag=False
row_list=Load_excel()
print row_list
browser = webdriver.Chrome()
browser.get(req_url)
time.sleep(4)
#寻找登录按钮，查找登录classname
browser.find_elements_by_css_selector("[class='ant-btn logining-btn ant-btn-primary ant-btn-lg ant-btn-background-ghost']")[0].click()
time.sleep(2)
#获取验证码url
src = browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
urllib.urlretrieve(src, local)
print "下载验证码中。。。"
change_catch()
word=code_detect()
print word
time.sleep(1)
browser.find_element_by_id("loginName").send_keys(row_list[0][1])
browser.find_element_by_id("password").send_keys(row_list[0][2])
browser.find_element_by_id("imgValidCode").send_keys(word)
browser.find_elements_by_css_selector("[class='ant-btn ant-btn-primary ant-btn-lg ant-btn-block']")[0].click()
time.sleep(1) while browser.current_url=="网址":
time.sleep(2)
src = browser.find_elements_by_css_selector("[class='picturecode-img']")[0].get_attribute("src")
urllib.urlretrieve(src, local)
print "下载验证码中。。。"
change_catch()
word = code_detect()
time.sleep(2)
browser.find_element_by_id("imgValidCode").send_keys(word)
browser.find_elements_by_css_selector("[class='ant-btn ant-btn-primary ant-btn-lg ant-btn-block']")[0].click() 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。