Since we were not allowed to have MFA together with the same application we are using, I got an idea from my leader to just have a generated OTPs.
import time import hmac import base64 import struct import hashlib def generate_otp(secret, interval=30, digits=6): # Decode the base32 encoded secret key = base64.b32decode(secret) # Calculate the number of time intervals since the Unix epoch counter = int(time.time()) // interval # Convert the counter to bytes msg= struct.pack(">Q", counter) # Create the HMAC hash using SHA-1 hmac_hash = hmac.new(key, msg, hashlib.sha1).digest() # Get the dynamic offset from the last nibble of the hash offset = hmac_hash[-1] & 0x0F # Extract a 4-byte dynamic binary code form the hash using the offset code = struct.unpack(">I", hmac_hash[offset:offset + 4]) [0] & 0x7FFFFFFF # Modulus operation to get the final OTP otp = code % (10 ** digits) return str(otp).zfill(digits) # Lists for secret keys and remarks secret_keys_with_titles = { "[name]": "[secret_key]", "VAR": "ABDCDEFGHIJKLMNO", "VER": "PQRSTUVWXYZ12345", "VIR": "6789101112131415" } # ANSI escape codes for different color colors = [ "\033[91m", # Red "\033[92m", # Green "\033[94m", # Blue "\033[93m", # Yellow "\033[96m", # Cyan ] print() # Generate the OTPs for all secret keys otps = {title: generate_otp(secret) for title, secret in secret_keys_with_titles.items()} # Output the OTPs in horizontal way output = [] for i, (title, otp) in enumerate(otps.items()): color = colors[i % len(colors)] # Rotate through colors output.append(f"{color}{title}: {otp}\033[0m") #\033[0m resets the color print(" | ".join(output)) print()
So, this is how it look on your terminal:
以上是使用 python3 生成 OTP的详细内容。更多信息请关注PHP中文网其他相关文章!

本教程演示如何使用Python处理Zipf定律这一统计概念,并展示Python在处理该定律时读取和排序大型文本文件的效率。 您可能想知道Zipf分布这个术语是什么意思。要理解这个术语,我们首先需要定义Zipf定律。别担心,我会尽量简化说明。 Zipf定律 Zipf定律简单来说就是:在一个大型自然语言语料库中,最频繁出现的词的出现频率大约是第二频繁词的两倍,是第三频繁词的三倍,是第四频繁词的四倍,以此类推。 让我们来看一个例子。如果您查看美国英语的Brown语料库,您会注意到最频繁出现的词是“th

处理嘈杂的图像是一个常见的问题,尤其是手机或低分辨率摄像头照片。 本教程使用OpenCV探索Python中的图像过滤技术来解决此问题。 图像过滤:功能强大的工具 图像过滤器

本文解释了如何使用美丽的汤库来解析html。 它详细介绍了常见方法,例如find(),find_all(),select()和get_text(),以用于数据提取,处理不同的HTML结构和错误以及替代方案(SEL)

本文比较了Tensorflow和Pytorch的深度学习。 它详细介绍了所涉及的步骤:数据准备,模型构建,培训,评估和部署。 框架之间的关键差异,特别是关于计算刻度的

Python是数据科学和处理的最爱,为高性能计算提供了丰富的生态系统。但是,Python中的并行编程提出了独特的挑战。本教程探讨了这些挑战,重点是全球解释

本教程演示了在Python 3中创建自定义管道数据结构,利用类和操作员超载以增强功能。 管道的灵活性在于它能够将一系列函数应用于数据集的能力,GE

Python 对象的序列化和反序列化是任何非平凡程序的关键方面。如果您将某些内容保存到 Python 文件中,如果您读取配置文件,或者如果您响应 HTTP 请求,您都会进行对象序列化和反序列化。 从某种意义上说,序列化和反序列化是世界上最无聊的事情。谁会在乎所有这些格式和协议?您想持久化或流式传输一些 Python 对象,并在以后完整地取回它们。 这是一种在概念层面上看待世界的好方法。但是,在实际层面上,您选择的序列化方案、格式或协议可能会决定程序运行的速度、安全性、维护状态的自由度以及与其他系

Python的statistics模块提供强大的数据统计分析功能,帮助我们快速理解数据整体特征,例如生物统计学和商业分析等领域。无需逐个查看数据点,只需查看均值或方差等统计量,即可发现原始数据中可能被忽略的趋势和特征,并更轻松、有效地比较大型数据集。 本教程将介绍如何计算平均值和衡量数据集的离散程度。除非另有说明,本模块中的所有函数都支持使用mean()函数计算平均值,而非简单的求和平均。 也可使用浮点数。 import random import statistics from fracti


热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

适用于 Eclipse 的 SAP NetWeaver 服务器适配器
将Eclipse与SAP NetWeaver应用服务器集成。

EditPlus 中文破解版
体积小,语法高亮,不支持代码提示功能

Dreamweaver Mac版
视觉化网页开发工具

记事本++7.3.1
好用且免费的代码编辑器

VSCode Windows 64位 下载
微软推出的免费、功能强大的一款IDE编辑器