python就是这么一个语言：你越是使用，越能体会它的方便与强大。
`
在写python爬虫脚本用法总结的时候曾经提到过验证码的处理问题，
当时就说了google的验证码要凉拌，但是某些验证码，尽管它看起来可能很复杂，
但是却没有想象的那么难破，我就有破解成功的例子。不过那个例子并不是Discuz，当时我还觉得Discuz的验证码挺花哨的，如图：
`
前一阵simplecd的论坛老有机器人注册进来灌水一通，不甚其扰，但是也说明了discuz的验证码可能被别人吃透了，所以才会机器人猖獗，我改了验证码方式以后果然机器人就绝迹了。
`
机器人泛滥就说明这个注册机制有漏洞，那么Discuz的验证码肯定是有漏洞的，于是本人就试着也破解一下好了。
一、问题拆分
验证码破解其实可以分为两部分，第一步就是单纯的图像识别，根据图像给出验证码，第二步就是和服务器的互动。理论上来说第二步无非就是一些体力活，抓包分析验证的流程就行了，不过事实上有些网站的服务器端和浏览器端的通信搞得太复杂，经常会把我这种html三脚猫给绕晕了，所以为了简化问题，先不考虑第二步，解决了第一步再说。
`
二、验证码复杂度分析
Discuz的默认gif验证码看起来挺复杂，但是实际上却是纸老虎。
这个验证码看上去相当nice：
`
1.gif动画方式，只有一帧会停顿比较久
2.杂乱的背景，有随机的画线，有背景文字，大量色块
3.随机旋转和一定程度的宽度缩放
`
但是对计算机来说，这些都不是问题:
`
1.只要找出停顿最久的帧就可以了，gif格式本身也不怎么复杂，更何况python还有PIL这种非常方便的类库可以用，解决1几乎不费力气
`
2.背景的杂乱确实会造成一定影响，不过因为Discuz对动画都采用了相同的背景，所以消除背景噪音也不是那么困难：跟其他噪音帧比较一下就能消除噪音了
`
3.旋转和缩放对我来说确实有点麻烦，那也只是因为没学过计算机图形学，不知道有啥好的算法来反旋转而已。注意：我是说不知道好的算法，事实上烂的直观的算法我还是能想出那么几个的，效率不高那也至少对付它够用了
`
其实归根到底，好的验证码还是得像google的验证码那样扭曲才行，旋转也就那么几种角度可以选择，只要能把字母分隔开来就好对付得很，扭曲就复杂得多了，几乎不可能反扭曲，更何况google的验证码变态得连人都很难认出来。
`
三、算法
`
1.读取图片(PIL)
`
2.选取延迟最久的帧(PIL)
–2.1 获取每一帧的duration信息(Image.seek,Image.info['duration'])
–2.2 duration最大的那一帧即是
`
3.获取验证色块的代码(0-255)
–3.1 统计一帧中相同色块的出现频率按高到低排序
–3.2 把验证帧和噪音帧的频率做比较，去除相同的部分（即噪音色块）
`
4.对每一个字母进行旋转与缩放
–4.1 选择一个顶点，做射线
–4.2 找到和字母相切的两条射线
–4.3 把图像旋转射线与水平线的偏离角度(Image.rotate)
–4.4 缩放到固定大小
`
5.把处理后字母和特征库进行比较
–5.1 用最简单的距离比较法
–5.2 特征库就多找几幅图搞定
`
四、代码（实现到去噪这一步）
实际实现时，发现Discuz很狡猾地把同一个颜色用了不同的代码来记，算法第三步实现起来还要比较调色板颜色，比较麻烦，这里用了另一个基于距离的去躁方式：算出相同色块的中心点，如果有点在规定的半径之外就是噪声
`
DIAMETER = 50 def isnoise(points): '''Determine if the points are noisy points''' # center point center = [0,0] for point in points: center[0]+=point[0] center[1]+=point[1] center[0]/=len(points) center[1]/=len(points) # point out of distance: noise for point in points: distance = (point[0]-center[0])*(point[0]-center[0])+(point[1]-center[1])*(point[1]-center[1]) if distance > DIAMETER*DIAMETER/4: return True return False
`
载入图像是很简单的：
import Image DURATION = 1000 im = Image.open(fname) frames = [] key = 0 for i in range(10): im.seek(i) frames.append(im.load()) if im.info['duration']>DURATION: key = i frame = frames[key]
`
载入后统计不同颜色的出现频率：
WIDTH = 100 HEIGHT = 50 d = {} for i in xrange(WIDTH): for j in xrange(HEIGHT): k = frames[key][i,j] if d.has_key(k): d[k][0] += 1 d[k].append((i,j)) else: d[k] = [1,(i,j)] topd = sorted(d.items(),cmp=lambda x,y:cmp(y[1][0],x[1][0]))
`
然后就是把噪音标为0，其他保留，因为只有四个非噪音，只要找到4个就break返回
for i in xrange(WIDTH): for j in xrange(HEIGHT): frame[i,j]=0 found = 0 for (k,v) in topd: if not isnoise(v[1:]): for point in v[1:]: frame[point[0],point[1]]=k found += 1 else: # print k,'is noise' pass if found == 4: break return frame
`
最后是print函数，打印出来看看啥样子了，也可以用Image.show函数，但是我还是喜欢print出来
def printframe(frame,code=-1): for i in xrange(WIDTH): for j in xrange(HEIGHT): if (code == -1 and frame[i,j] !=0) or (code != -1 and frame[i,j]==code) : print '*', else: print '-', print
`
最后给个到这一步的代码打包，需要安装PIL
seccode1.tar.gz
他这个没有扭曲，只有旋转，其实旋转的角度也是在一定范围内的，完全可以多抓几个样本，每个角度都建立特征库，一对比，就出来了，比切线算法效率还要高一点。
验证码如果有随机扭曲和连接，基本破解无望。
但是现在很多打码站，qq，google等验证码都有人接活，一组验证码不到2分钱，如果再适当扣量，打一组验证码一分钱都不要。
这年头还是手机验证管用点。
打码站…orz
搞什么高科技也架不住人肉验证。
曾经破国discuz的验证码，那个时候还不是gif的动画
discuz的字母右下侧有一个阴影
好玩的是，那个阴影的颜色正好和当前颜色互补…
所以你去噪的部分可以做得更简单一些
把旋转还原的话，也可以借助阴影来定位
不过这样的方法不通用，也没多少意思
这一版的discuz验证码似乎没有阴影了，我那基于距离的去噪已经过于简单了，后来发现其实这个去噪算法很不通用，碰上复杂一点的立即歇菜，我有时间要重写一下，这个系列估计会拖很长。
自己写OCR引擎也太累了吧，看看这个：
http://li2z.cn/2009/12/29/tesseract-ocr/
这样的gif取出帧以后，再交给它，应该问题不大。
BTW: 这里的文章我都挺喜欢的，交个朋友吧，我加了贵站的友链了，如果可以加我的Gtalk或者msn吧，呵呵！
Gtalk怎么加@@
多谢提供tesseract，不过我测了一下这个东东在对付Discuz这种验证码不太准，毕竟ocr是为了从扫描的图片提取文本，用来对付有旋转的文本就很吃力，应用不同啊。而且我也想自己实现一下简单的图片识别看看，所以还是会自己做。
如果碰到一个字符有好几种颜色的，比如图片上有随机的反色区域时，应该就很难取出来了
算法的第4部分，如果这样做的话，顶点会比较难找，对于B和M这样的字符，你可以用水平线和垂直线找到，但C这种圆形的就没那么容易了。
而且如果旋转算法比识别算法还慢的话，还不如直接用识别好了。这个旋转也不复杂，顶多正负45度，就以5度为一个单位的话，增加的特征库也很有限。
不过我怀疑discuz的破解应该属于暴力破解，因为那个验证码输进去后会有正确和错误的提示，如果那个函数没有次数限制的话那就。。。具体还要看看代码是怎么写的
我不懂图像处理和python，所以以上多为扯淡。。。
好建议，我也发现圆形图形旋转起来太难了，不如就多弄几个特征，不过5度好像比较不准，可能得2-3度才行，一下子要增加40倍的运算量@@
把文字分布在gif的各帧里面，靠快速移动造成的视觉残留做验证码，这样就难很多了吧……
我觉得这样反而会简单，连去噪都免了，直接比较多个帧的公共部分就好了
视觉残留的意思是轨迹是不连续的，要利用人眼的残留效应……直接合并就是一条条离散的线条
个人经验，验证码识别最困难的在两点，一个是去噪，一个是切块。只要卡住其中一步，基本就自动识别无望了。
如果没有粘连，即便再随机扭曲，他也是有一个限度的，大不了多采点样本，进行模糊识别，最终还是可以自动识别的。
google，qq，淘宝的验证码，基本没有噪点，也不花俏，看着蛮简单，但是他随机扭曲粘连在一起，无法正确切块，就无法自动识别。
嗯，有道理，去噪我也碰上麻烦了，切块也绝对是难题啊，还好discuz这个切块貌似不难。