㈠ 按键精灵脚本中如何自动识别并输入验证码
验证码是图片,画的东倒西歪的,还有重叠的,有的人都不认识,软件怎么会认识呢?可以雇人填验证码,这是你不用自己动手的唯一选择,任何人说他能用软件做到自动填都是吹
㈡ 使用python来写脚本，如何来处理验证码的问题，每次登录时验证码都不同，求高人帮忙，谢谢
如果是想让代码识别的话，要看验证码的复杂程度了，如果比较简单，使用图像处理说不定可以解决（我不会，不过网上应该有资料，就算没有python的，其他语言的也有），但是如果是复杂的，建议你把验证码下载下来，如果有图形界面，就在界面中显示，如果没有，就下到一个目录里，自己取找，然后人工识别吧。
㈢ 用js如何获取验证码的值
验证码在我们的后台代码生成，也就是在java代码里生成。然后在页面上显示出来，当用户输入验证码后再检验用户输入的验证码是否和后台生成的验证码相同，比较的时候可以通过ajax去比较，坚决反对用个隐藏域来保存后台生成的验证码，因为这样很容易被攻击
㈣ 怎么用按键精灵脚本识别验证码里的数字(0~9)并同时输入
简单的办法是，把图分成五个区域来依次识别，毕竟你这个数字的字体是固定的
存好0-9的单数字图片，找图就可以了
另外是
把各数字的特征点找出来，只要查到某点有白色，就可以判断为该数字，这个你要先把每个数字的特征点找到，放到画笔里面开大像素，慢慢找
说明：特征点--每个数字都可以看成是5X8的黑白点组成的，每个数字都有一个白点是其它数字在这个位置上没有的，只要找到这个白点，就是这个数字，指向性强，不易误判
㈤ loadrunner11录制脚本关于验证码处理怎么解决
为了测试方便，节省时间；
像这种网站有验证码情况，LR要进行压测的话，通常有几种方法；
1、通过调用含有验证码识别的方法dll；
2、与服务端开发商议指定一个万能的验证码；（有安全隐患）
3、与开发商议暂时屏蔽验证码功能；
第1种方法很费时间；第2种方法开发上线后要注意；第3种方法最简单；
㈥ java怎么抓取到网页上的验证码，比如12306的验证码，怎么爬到验证码图片并下载到本地。
利用http加载网页，解析验证码的地址，获取图片，下载到本地即可
㈦ 如何利用Python做简单的验证码识别
先是获取验证码样本。。。我存了大概500个。
用dia测了测每个字之间的间距，直接用PIL开始切。
from PIL import Image
for j in range(0,500):
f=Image.open("../test{}.jpg".format(j))
for i in range(0,4):
f.crop((20+20*i,0,40+20*i,40)).save("test{0}-{1}.jpg".format(j,i+1))
上面一段脚本的意思是把jpg切成四个小块然后保存
之后就是二值化啦。
def TotallyShit(im):
x,y=im.size
mmltilist=list()
for i in range(x):
for j in range(y):
if im.getpixel((i,j))<200:
mmltilist.append(1)
else:
mmltilist.append(0)
return mmltilist
咳咳，不要在意函数的名字。上面的一段代码的意思是遍历图片的每个像素点，颜色数值小于200的用1表示，其他的用0表示。
其中的im代表的是Image.open()类型。
切好的图片长这样的。
只能说这样切的图片还是很粗糙，很僵硬。
下面就是分类啦。
把0-9，“+”，”-“的图片挑好并放在不同的文件夹里面，这里就是纯体力活了。
再之后就是模型建立了。
这里我试了自己写的还有sklearn svm和sklearn neural_network。发现最后一个的识别正确率高的多。不知道是不是我样本问题QAQ。
下面是模型建立的代码
from sklearn.neural_network import MLPClassifier
import numpy as np
def clf():
clf=MLPClassifier()
mmltilist=list()
X=list()
for i in range(0,12):
for j in os.listdir("douplings/douplings-{}".format(i)):
mmltilist.append(TotallyShit(Image.open("douplings/douplings-{0}/{1}".format(i,j)).convert("L")))
X.append(i)
clf.fit(mmltilist,X)
return clf
大概的意思是从图片源中读取图片和label然后放到模型中去跑吧。
之后便是图像匹配啦。
def get_captcha(self):
with open("test.jpg","wb") as f:
f.write(self.session.get(self.live_captcha_url).content)
gim=Image.open("test.jpg").convert("L")
recognize_list=list()
for i in range(0,4):
part=TotallyShit(gim.crop((20+20*i,0,40+20*i,40)))
np_part_array=np.array(part).reshape(1,-1)
predict_num=int(self.clf.predict(np_part_array)[0])
if predict_num==11:
recognize_list.append("+")
elif predict_num==10:
recognize_list.append("-")
else:
recognize_list.append(str(predict_num))
return ''.join(recognize_list)
最后eval一下识别出来的字符串就得出结果了。。
顺便提一句现在的bilibili登陆改成rsa加密了，麻蛋，以前的脚本全部作废，心好痛。
登陆的代码。
import time
import requests
import rsa
r=requests.session()
data=r.get("act=getkey&_="+str(int(time.time()*1000))).json()
pub_key=rsa.PublicKey.load_pkcs1_openssl_pem(data['key'])
payload = {
'keep': 1,
'captcha': '',
'userid': "youruserid",
'pwd': b64encode(rsa.encrypt((data['hash'] +"yourpassword").encode(), pub_key)).decode(),
}
r.post("",data=payload)
㈧ 如何截取短信验证码
1、首先打开手机，点击下方的信息按钮。
2、其次选择相关的短信，点击进入。
3、最后长按短信，点击截取短信验证码按钮即可。
㈨ 如何利用Python做简单的验证码识别
最近在折腾验证码识别。最终的脚本的识别率在92%左右，9000张验证码大概能识别出八千三四百张左右。好吧，其实是验证码太简单。下面就是要识别的验证码。
接下来对图片进行分割。遍历图片中所有像素点，计算每一列像素为0的点的个数（jd）。对于相邻两列，若其中一列jd=0,而另一列jd!=0,则可以认为这一列是验证码中字符边界，由此对验证码进行分割。这样分割能达到比较好的效果，分割后得到的字符图片几乎能与模板完全相同。
(Width,Height) = img2.size
pix2 = img2.load()
x0 = []
y0 = []for x in range(1,Width):
jd = 0
# print x
for y in range(1,Height): # print y
if pix2[x,y] == 0:
jd+=1
y0.append(jd) if jd > 0:
x0.append(x)#分别对各个字符边界进行判断，这里只举出一个 for a in range(1,Width): if (y0[a] != 0)&(y0[a+1] != 0):
sta1 = a+1
分割完成后，对于识别，目前有几种方法。可以遍历图片的每一个像素点，获取像素值，得到一个字符串，将该字符串与模板的字符串进行比较，计算汉明距离或者编辑距离（即两个字符串的差异度），可用Python-Levenshtein库来实现。
我采用的是比较特征向量来进行识别的。首先设定了4个竖直特征向量，分别计算第0、2、4、6列每一列像素值为0的点的个数，与模板进行比较，若小于阈值则认为该字符与模板相同。为了提高识别率，如果通过竖直特征向量未能识别成功，引入水平特征向量继续识别，原理与竖直特征向量相同。
另外，还可以通过局部特征进行识别。这对于加入了旋转干扰的验证码有很好效果。由于我写的脚本识别率已经达到了要求，所以并没有用到这个。
最后的结果是这样的：
最终在模板库只有25条的情况下，识别率在92%左右（总共测试了一万六千张验证码）。好吧，只能说验证码太简单。。
以上。
㈩ 在dreamweaver里怎么用js脚本编写验证码并在文本框里获取验证码值
用DOM对象。验证码的脚本可以网上搜