פיענוח קאפצ'ה - בקוד פייתון

[clickone]

כיום אני מפענח קאפצ'ה דרך שירות http://deathbycaptcha.com

2 חסרונות:

1. זה עולה כסף (לא הרבה, אבל אם יש לך 3000 בקשות בשבוע , זה כסף בסופו של דבר.)
2. היותר בעייתי - זה לוקח כמה שניות עד שיש תוצאה.

בדקתי, ומצאתי קוד פייתון שאומרים שהוא עושה את העבודה.
משום מה אני לא מצליח להריץ את הקוד, ולצערי הידע שלי בפייתון ממש חלש מכדי להבין מה הבעייה (אני מבין שכנראה חסרה החבילה של הOCR)

יש מישהו שיכול לעזור? - מבחינתי כל קוד יתקבל בברכה, במיוחד קוד דוטנט. (אם זה OCR אז זה אמור להיות פשוט - אבל צריך קודם לנקות את הקישקושים)

תמונות הקאפצ'ה שאני מדבר עליהם הם הפשוטות, ולא כמו של גוגל שצריך עיון גדול כדי לפענח מה כתוב שם

הנה תמונה לדוגמא:

והנה קוד פייתון:

import sys
import os
import re
import subprocess
import tempfile
from PIL import Image


def parse_captcha(filename):
    """Return the text for thie image using Tesseract
    """
    img = threshold(filename)
    return tesseract(img)


def threshold(filename, limit=100):
    """Make text more clear by thresholding all pixels above / below this limit to white / black
    """
    # read in colour channels
    img = Image.open(filename)
    # resize to make more clearer
    m = 1.5
    img = img.resize((int(img.size[0]*m), int(img.size[1]*m))).convert('RGBA')
    pixdata = img.load()

    for y in xrange(img.size[1]):
        for x in xrange(img.size[0]):
            if pixdata[x, y][0] < limit:
                # make dark color black
                pixdata[x, y] = (0, 0, 0, 255)
            else:
                # make light color white
                pixdata[x, y] = (255, 255, 255, 255)
    img.save('tmp/threshold_' + filename)
    return img.convert('L') # convert image to single channel greyscale



def call_command(*args):
    """call given command arguments, raise exception if error, and return output
    """
    c = subprocess.Popen(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    output, error = c.communicate()
    if c.returncode != 0:
        if error:
            print error
        print "Error running `%s'" % ' '.join(args)
    return output


def tesseract(image):
    """Decode image with Tesseract  
    """
    # create temporary file for tiff image required as input to tesseract
    input_file = tempfile.NamedTemporaryFile(suffix='.tif')
    image.save(input_file.name)

    # perform OCR
    output_filename = input_file.name.replace('.tif', '.txt')
    call_command('tesseract', input_file.name, output_filename.replace('.txt', ''))
    
    # read in result from output file
    result = open(output_filename).read()
    os.remove(output_filename)
    return clean(result)


def gocr(image):
    """Decode image with gocr
    """
    input_file = tempfile.NamedTemporaryFile(suffix='.ppm')
    image.save(input_file.name)
    result = call_command('gocr', '-i', input_file.name)
    return clean(result)
     

def ocrad(image):
    """Decode image with ocrad
    """
    input_file = tempfile.NamedTemporaryFile(suffix='.ppm')
    image.save(input_file.name)
    result = call_command('ocrad', input_file.name)
    return clean(result)


def clean(s):
    """Standardize the OCR output
    """
    # remove non-alpha numeric text
    return re.sub('[\W]', '', s)



if __name__ == '__main__':
    filenames = sys.argv[1:]
    if filenames:
        for filename in filenames:
            img = threshold(filename)
            print filename
            print 'Tesseract:', tesseract(img)
            print 'Gocr:', gocr(img)
            print 'Ocrad:', ocrad(img)
            print
    else:
        print 'Usage: %s [image1] [image2] ...' % sys.argv[0]

פורסם במקור בפורום CODE613 ב28/07/2014 01:27 (+03:00)

[magicode]

אני פיענחתי קאפצה כזה בעבר עם php זה יחסית פשוט.

לגבי ניקוי אתה יכול להשים לב שהליכלוכים זה נקודות קטנות מימלא אם אתה עושה פונקציה שעוברת פיקסל פיקסל ויוצרת קבוצות קבוצות של פיקסלים שחורים. אתה עושה מערך של פיקסלים לדוגמא 3,4 = קבוצה 6 וכן הלאה. וככה אתה יכול לחפש שאם יש פיקסל קרוב שכבר הוגדר לקבוצה מסויימת אתה מגדיר אותו באותו קבוצה כמו הפיקסל הקרוב.

ואז אחרי שיש לך קבוצות של פיקסלים אתה יכול למחוק קבוצות שמספר הפיקסלים שלהם נמוך מX פיקסלים. או למחוק הכל חוץ מהחמישה הגדולים ביותר.

הבעיה בקוד שלך זה שחסר לך תוכנה במחשב שנקראת tesseract או gocr או ocrad אתה לא צריך את פייתון בשביל להריץ פקודות shell אתה יכול לעשות את זה גם עם דוט נט.

התוכנה שאני מכיר שעובדת טוב זה tesseract. אתה יוצר קובץ זמני של png ומריץ ככה.

/path/to/tesseract pngfilename txtoutput

בשביל למנוע בעיות תשים נתיבים מלאים של הקבצים. וגם התוכנה הזאת מוציאה קובץ שהיא מוסיפה לו סיומת txt לכן תכניס בלי סיומת ואחרי זה תקרא את הקובץ עם סיומת txt.

אם היית מפתח בnode הייתי ממליץ לך על המחלקה הזאת
https://www.npmjs.org/package/dv

אבל הייתי ממליץ לך לחפש באינטרנט אולי יש מחלקה של tesseract לדוט נט בלי להריץ shell.

פורסם במקור בפורום CODE613 ב28/07/2014 13:35 (+03:00)