Comment utiliser un robot pour déchiffrer le code de vérification glissant

Cet article vous présentera comment utiliser Python pour déchiffrer le code de vérification glissante. Il a une certaine valeur de référence. Les amis dans le besoin peuvent s'y référer. J'espère qu'il sera utile à tout le monde.

Lorsque vous effectuez une exploration, vous rencontrerez toujours diverses restrictions anti-exploration. La première ligne de défense contre l'exploration apparaît souvent lors de la connexion afin de limiter la connexion automatique des robots. , Chaque famille a fait de son mieux, comme le dit le proverbe, plus le Tao est élevé, plus le diable est élevé.

Aujourd'hui, je vais partager une étude de cas sur la façon de gérer simplement le code de vérification des images coulissantes.

Une vérification de connexion comme celle-ci, où vous faites glisser le curseur pour qu'il coïncide avec l'encoche de l'image, est courante sur de nombreux sites Web ou applications car elle est plus précise pour de vraies personnes. L’expérience utilisateur est conviviale et facile à identifier. Dans le même temps, il peut également intercepter la plupart des robots d’exploration principaux.

En tant que robot d'exploration Python, comment terminer automatiquement et correctement ce processus de vérification ?

Analysons-le d'abord. Le problème principal est en fait de savoir comment trouver l'emplacement de l'écart cible, une fois que nous connaissons l'emplacement, nous pouvons utiliser des outils tels que le sélénium pour terminer l'opération de glissement.

Nous pouvons utiliser opencv pour résoudre ce problème. Les principales étapes sont :

Qu'est-ce qu'opencv ?

OpenCV (Open Source Computer Vision Library) est une bibliothèque de vision par ordinateur open source. Les principaux algorithmes impliquent des méthodes liées au traitement d'images, à la vision par ordinateur et à l'apprentissage automatique. Elle peut être utilisée pour développer le traitement d'images en temps réel et l'informatique. programmes de vision et de reconnaissance de formes.

Installer directement

Effectuez d'abord le traitement du flou gaussien sur l'image. La fonction principale du flou gaussien est de réduire le bruit de l'image et est utilisé dans. l’étape de prétraitement.

L'effet traité

Utilisez ensuite la détection de bord Canny pour obtenir une valeur binaire contenant une image "à limite étroite". L’image dite binaire est une image en noir et blanc, uniquement en noir et blanc.

Détection des contours

Trouver tous les contours et utiliser les lignes rouges Le cadre a été dessiné et marqué, et on peut voir qu'il y a des dizaines de contours, grands et petits

Les problèmes restants sont faciles à résoudre. Il suffit de calculer. la zone du contour ou En limitant la plage du périmètre, l'emplacement du contour cible peut être filtré, à condition que la taille du contour de l'emplacement cible soit prédéterminée.

L'aire du contour est comprise entre 6000 et 8000, et le périmètre est compris entre 300 et 500. Enfin, utilisez le rectangle englobant pour obtenir la position des coordonnées, la largeur et la hauteur du contour.

La position cible est trouvée comme ci-dessus, et le travail restant consiste à déplacer le curseur vers la position spécifiée

Recommandations d'apprentissage gratuites associées : tutoriel vidéo python !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!