基于深度学习框架Tensorflow的成绩自动查询(python3.6)

 Python
 

注意:禁止用于商业用途,欢迎个人学习交流。禁止攻击教务系统

项目地址(包含数据集):成绩自动查询


项目介绍

当所有考试成绩结束后,有很多同学迫不及待想及时知道自己的成绩,但是由于我们学校成绩在学校官网最新更新,其他平台查成绩有很大的延迟。导致那些迫不及待的同学需要去学校官网的教务处查询,过程操作不是很方便,每次没查到成绩还要人为过一段时间刷新。于是为萌发出让机器自动操作,简化成绩查询过程,为广大的校友节省时间,就利用寒假时间,自学python、深度神经网络和爬虫,完成了自动查询成绩这个项目。


项目所需知识

  • 图像数值处理
  • 深度学习
  • tensorflow
  • python3.6
  • 爬虫

项目优点

  • 第一次查询全部成绩
  • 最新成绩通过邮箱通知,最新成绩显示在邮箱标题
  • 配置简单只需填写 ,学号、密码、和接受通知的邮箱

项目环境

  • python3.6
  • 1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
       # 操作图片模块
    from PIL import Image
    # 第三方OCR调用(识别率不高)
    import pytesseract
    # 范围随机模块
    import random
    # 操作系统模块
    import os
    # 矩阵计算与tensorflow(深度学习框架)
    import numpy as np
    import tensorflow as tf
    # 爬虫模拟网页请求模块
    import requests
    # 调用系统浏览器
    import webbrowser
    # 爬取html指定内容
    from bs4 import BeautifulSoup
    # 正则模块
    import re
    # smtp邮箱
    import smtplib
    from email.mime.text import MIMEText
    from email.utils import formataddr
    # 时间模块,用于延迟
    import time
    # 下载图片模块
    from typing import Any
    from urllib.request import urlretrieve
    # TF_CPP_MIN_LOG_LEVEL默认值为 0 (显示所有logs)
    # 设置为 1 隐藏 INFO logs, 2 额外隐藏WARNING logs
    # 设置为3所有 ERROR logs也不显示
    os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import出现问题,请百度或者google应该可以轻松解决。


项目难点

通过深度神经网络的验证码识别

目前我的验证码的识别率为97%,3万图片经过深度神经网络的训练,使用的是Google的神经网络框架tensorflow,如果还想提高识别率也是可以的,可以增加数据集,降低keep_prob的值(拟合度),达到99.9%没有问题。

3万张的数据集并不是我手动码的,而是通过最开始我自己人工识别了1000张和我的好朋友刘雪峰200张作为最初数据集,开始训练的识别率只有20%左右,然后写了个函数将识别正确验证码储存,再进行训练,从而增大数据集和提高数据集(当识别率已经很高的时候,错误的图片再进行人工识别在训练可进一步提高识别率)


使用方法(多用户)

本成绩查询系统为多用户系统,可以配置多用户

  • account : 学号
  • password : 密码
  • email : 接收通知的邮箱
1
2
3
4
5
6
7
8
9
10
info = [{
'account': '2016111011**,
'password': '******',
'email': '873773108@qq.com'
},
{
'account': '2016111010**
'password': '***',
'email': '1763992358@qq.com'
}]

运行结果

接收到通知
邮件内容
控制台


源码(注释详细,欢迎讨论):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
# coding=utf-8
# 操作图片模块
from PIL import Image
# 第三方OCR调用(识别率不高)
import pytesseract
# 范围随机模块
import random
# 操作系统模块
import os
# 矩阵计算与tensorflow(深度学习框架)
import numpy as np
import tensorflow as tf
# 爬虫模拟网页请求模块
import requests
# 调用系统浏览器
import webbrowser
# 爬取html指定内容
from bs4 import BeautifulSoup
# 正则模块
import re
# smtp邮箱
import smtplib
from email.mime.text import MIMEText
from email.utils import formataddr
# 时间模块,用于延迟
import time
# 下载图片模块
from typing import Any
from urllib.request import urlretrieve
# TF_CPP_MIN_LOG_LEVEL默认值为 0 (显示所有logs)
# 设置为 1 隐藏 INFO logs, 2 额外隐藏WARNING logs
# 设置为3所有 ERROR logs也不显示
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 全局变量
IMAGE_HEIGHT = 22 # 验证码图片高度
IMAGE_WIDTH = 68 # 验证码图片宽度
MAX_CAPTCHA = 4 # 验证码的位数
CHAR_SET_LEN = 36 # 验证码的字符有多少种
# 验证码图片网址
IMAGE_URL = "http://jwfw1.sdjzu.edu.cn/ssfw/jwcaptcha.do"
# 下载验证码图片的数量
VERIFICATION_CODE_NUMBER = 10
# 验证码文件夹与文件绝对存储路径
VERIFICATION_CODE_PATH1 = os.path.dirname(__file__) + '/verification_code_images/'
VERIFICATION_CODE_PATH2 = os.path.dirname(__file__) + '/verification_code_images/{name}.png'
# 训练数据集绝对存储路径
VERIFICATION_CODE_TRAINING_PATH = os.path.dirname(__file__) + '/verification_code_training_images/'
# placeholder 是 Tensorflow 中的占位符,暂时储存变量 X Y ,keep_prob是dropout层保留概率
X = tf.placeholder(tf.float32, [None, IMAGE_HEIGHT*IMAGE_WIDTH])
Y = tf.placeholder(tf.float32, [None, MAX_CAPTCHA*CHAR_SET_LEN])
keep_prob = tf.placeholder(tf.float32)
# 邮箱信息
SENDER = '873773108@qq.com'
PASSWORD = 'hoxspyfkwmqcbddd'
# 用户信息
info = [{
'account': '201611101122',
'password': '174519',
'email': '873773108@qq.com'
},
{
'account': '201611101083',
'password': '136574',
'email': '1763992358@qq.com'
}]
# String1为原始成绩,String2为最新成绩。创建方式为这样append防止默认copy(以免浅拷贝)
String1 = [[] for copy in range(len(info))]
String2 = [[] for copy in range(len(info))]
# 训练集所有图片list与
all_images = os.listdir(VERIFICATION_CODE_TRAINING_PATH)
all_images_size = len(all_images)


# 下载验证码图片安装序号存储图片
def download_verification_code():
# 创建文件夹如果没有
os.makedirs(VERIFICATION_CODE_PATH1, exist_ok=True)
for i in range(0, VERIFICATION_CODE_NUMBER):
urlretrieve(IMAGE_URL, VERIFICATION_CODE_PATH2.format(name=i))
print("成功下载%s张图片!" % VERIFICATION_CODE_NUMBER)


# 调用pytesseract整体识别验证码(识别率低)
def pytesseract_verification_code():
for i in range(0, VERIFICATION_CODE_NUMBER):
img = Image.open(VERIFICATION_CODE_PATH2.format(name=i))
char = pytesseract.image_to_string(img, config='--psm 8')
# psm 各个值的说明
# 0:定向脚本监测(OSD)
# 1: 使用OSD自动分页
# 2 :自动分页,但是不使用OSD或OCR(Optical Character Recognition,光学字符识别)
# 3 :全自动分页,但是没有使用OSD(默认)
# 4 :假设可变大小的一个文本列。
# 5 :假设垂直对齐文本的单个统一块。
# 6 :假设一个统一的文本块。
# 7 :将图像视为单个文本行。
# 8 :将图像视为单个词。
# 9 :将图像视为圆中的单个词。
# 10 :将图像视为单个字符
print(i, char)


# 二值化分割验证码再调用pytesseract识别验证码(识别率有所提高)
def pytesseract_devide_verification_code():
# 随机读取图片并灰度化
random_number = random.randint(0, VERIFICATION_CODE_NUMBER)
img = Image.open(VERIFICATION_CODE_PATH2.format(name=random_number)).convert('L')
# 二值化:173为我的验证图片有较好的效果的值,不同图片的值不一样,请根据自己验证码图片设置相应的值
img = img.point(lambda x: 255 if x > 173 else 0)
# 分离:crop函数带的参数为(起始点的横坐标,起始点的纵坐标,宽度,高度)
img1 = img.crop((0 * IMAGE_WIDTH / MAX_CAPTCHA, 0, 1 * IMAGE_WIDTH / MAX_CAPTCHA, IMAGE_HEIGHT))
img2 = img.crop((1 * IMAGE_WIDTH / MAX_CAPTCHA, 0, 2 * IMAGE_WIDTH / MAX_CAPTCHA, IMAGE_HEIGHT))
img3 = img.crop((2 * IMAGE_WIDTH / MAX_CAPTCHA, 0, 3 * IMAGE_WIDTH / MAX_CAPTCHA, IMAGE_HEIGHT))
img4 = img.crop((3 * IMAGE_WIDTH / MAX_CAPTCHA, 0, 4 * IMAGE_WIDTH / MAX_CAPTCHA, IMAGE_HEIGHT))
# 调用pytesseract识别验证码
char = pytesseract.image_to_string(img, config='--psm 8')
char1 = pytesseract.image_to_string(img1, config='--psm 10')
char2 = pytesseract.image_to_string(img2, config='--psm 10')
char3 = pytesseract.image_to_string(img3, config='--psm 10')
char4 = pytesseract.image_to_string(img4, config='--psm 10')
print(char)
print(char1)
print(char2)
print(char3)
print(char4)


################################################################
### 通过tensorflow的CNN(卷积神经网络深度学习后识别验证码,识别率贼高####
################################################################


# 获取验证码名字和图片(训练数据集)
def get_name_and_image():
# 获取数据集下的所有图片的数组all_images
# all_images = os.listdir(VERIFICATION_CODE_TRAINING_PATH)
random_image = random.randint(0, all_images_size - 1)
# print (all_images_size)
base = os.path.basename(VERIFICATION_CODE_TRAINING_PATH + all_images[random_image]) # 有扩展名
name = os.path.splitext(base)[0] # 无扩展名
image = Image.open(VERIFICATION_CODE_TRAINING_PATH + all_images[random_image])
image = np.array(image)
return name, image


# 验证码名字转变成向量: 不同位数的需要重写这个函数,函数里的数字为ASCII码
def name2vec(name):
vector = np.zeros(MAX_CAPTCHA*CHAR_SET_LEN)
for i, c in enumerate(name):
if ord(c) < 58:
idx = i * 36 + ord(c)-48
vector[idx] = 1
else:
idx = i * 36 + ord(c) - 87
vector[idx] = 1
return vector


# 向量转名字:注释部分是 最开始的向量 转 名字
# def vec2name(vec):
# name = []
# for i, c in enumerate(vec):
# if c == 1.0:
# name.append(i)
# for i in range(0, 4):
# if name[i] % 36 < 10:
# name[i] = chr(name[i] % 36 + 48)
# else:
# name[i] = chr(name[i] % 36 + 87)
# return "".join(name)


# 向量转名字: 训练是不用到这个函数,训练完成用这个函数得到最终结果
def vec2name(vec):
name = []
for i in vec:
if i < 10:
a = chr(i + 48)
name.append(a)
else:
a = chr(i + 87)
name.append(a)
return "".join(name)


# 采样函数:默认一次采集64张验证码作为一次训练
# 需要注意通过get_name_and_image()函数获得的image是一个含布尔值的矩阵
# 在这里通过1*(image.flatten())函数转变成只含0和1的1行114*450列的矩阵
def get_next_batch(batch_size=64):
batch_x = np.zeros([batch_size, IMAGE_HEIGHT*IMAGE_WIDTH])
batch_y = np.zeros([batch_size, MAX_CAPTCHA*CHAR_SET_LEN])

for i in range(batch_size):
name, image = get_name_and_image()
batch_x[i, :] = 1*(image.flatten())
batch_y[i, :] = name2vec(name)
return batch_x, batch_y


# 定义CNN(卷积神经网络):三个卷积层卷积神经网络结构
# 采用3个卷积层加1个全连接层的结构,在每个卷积层中都选用2*2的最大池化层和dropout层,卷积核尺寸选择5*5。,
# 我们的图片已经经过了3层池化层,也就是长宽都压缩了8倍(各自取整为3X9)
def crack_captcha_cnn(w_alpha=0.01, b_alpha=0.1):
x = tf.reshape(X, shape=[-1, IMAGE_HEIGHT, IMAGE_WIDTH, 1])
# 3个卷积层
w_c1 = tf.Variable(w_alpha * tf.random_normal([5, 5, 1, 32]))
b_c1 = tf.Variable(b_alpha * tf.random_normal([32]))
conv1 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(x, w_c1, strides=[1, 1, 1, 1], padding='SAME'), b_c1))
conv1 = tf.nn.max_pool(conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
conv1 = tf.nn.dropout(conv1, keep_prob)

w_c2 = tf.Variable(w_alpha * tf.random_normal([5, 5, 32, 64]))
b_c2 = tf.Variable(b_alpha * tf.random_normal([64]))
conv2 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv1, w_c2, strides=[1, 1, 1, 1], padding='SAME'), b_c2))
conv2 = tf.nn.max_pool(conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
conv2 = tf.nn.dropout(conv2, keep_prob)

w_c3 = tf.Variable(w_alpha * tf.random_normal([5, 5, 64, 64]))
b_c3 = tf.Variable(b_alpha * tf.random_normal([64]))
conv3 = tf.nn.relu(tf.nn.bias_add(tf.nn.conv2d(conv2, w_c3, strides=[1, 1, 1, 1], padding='SAME'), b_c3))
conv3 = tf.nn.max_pool(conv3, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
conv3 = tf.nn.dropout(conv3, keep_prob)

# 1个全连接层
w_d = tf.Variable(w_alpha * tf.random_normal([3*9*64, 1024]))
b_d = tf.Variable(b_alpha * tf.random_normal([1024]))
dense = tf.reshape(conv3, [-1, w_d.get_shape().as_list()[0]])
dense = tf.nn.relu(tf.add(tf.matmul(dense, w_d), b_d))
dense = tf.nn.dropout(dense, keep_prob)

w_out = tf.Variable(w_alpha * tf.random_normal([1024, MAX_CAPTCHA * CHAR_SET_LEN]))
b_out = tf.Variable(b_alpha * tf.random_normal([MAX_CAPTCHA * CHAR_SET_LEN]))
out = tf.add(tf.matmul(dense, w_out), b_out)
return out


# 训练函数:选择sigmoid_cross_entropy_with_logits()交叉熵来比较loss
# 用adam优化器来优化
# keep_prob = 0.3,控制着过拟合
def train_crack_captcha_cnn():
output = crack_captcha_cnn()
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=output, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=0.0001).minimize(loss)
predict = tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN])
max_idx_p = tf.argmax(predict, 2)
max_idx_l = tf.argmax(tf.reshape(Y, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
correct_pred = tf.equal(max_idx_p, max_idx_l)
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
step = 0
while True:
batch_x, batch_y = get_next_batch(256)
_, loss_ = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y, keep_prob: 0.2})
print(step, loss_)
# 每100 step计算一次准确率
if step % 1000 == 0:
batch_x_test, batch_y_test = get_next_batch(1000)
acc = sess.run(accuracy, feed_dict={X: batch_x_test, Y: batch_y_test, keep_prob: 1.})
print(step, acc)
# 如果准确率大于99%,保存模型,完成训练
if acc > 0.999:
saver.save(sess, "./crack_capcha.model", global_step=step)
break
step += 1


# train_crack_captcha_cnn()


# 训练完成后,注释train_crack_captcha_cnn(),取消下面的注释,开始预测,注意更改预测集目录
# def crack_captcha():
# output = crack_captcha_cnn()
#
# saver = tf.train.Saver()
# with tf.Session() as sess:
# saver.restore(sess, tf.train.latest_checkpoint('.'))
# n = 1
# while n <= 10:
# text, verification_code_training_images = get_name_and_image()
# verification_code_training_images = 1 * (verification_code_training_images.flatten())
# predict = tf.argmax(tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
# text_list = sess.run(predict, feed_dict={X: [verification_code_training_images], keep_prob: 1})
# vec = text_list[0].tolist()
# predict_text = vec2name(vec)
# print("正确: {} 预测: {}".format(text, predict_text))
# n += 1
#
#
# crack_captcha()


def captcha():
output = crack_captcha_cnn()
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('.'))
first_time = True

while True:
users_number = 0
for information in info:
while True:
session = requests.Session()
headers = {"User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:39.0) Gecko/20100101 Firefox/39.0"}
html = session.get(IMAGE_URL, headers=headers).content
with open('./test_captcha/test.png', 'wb') as file:
file.write(html)
img = Image.open('./test_captcha/test.png').convert('L')
# 二值化
img = img.point(lambda x: 255 if x > 173 else 0)
img = np.array(img)
img = 1 * (img.flatten())
predict = tf.argmax(tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
text_list = sess.run(predict, feed_dict={X: [img], keep_prob: 1})
vec = text_list[0].tolist()
# print("预测:", vec2name(vec))

session.get('http://jwfw1.sdjzu.edu.cn/ssfw/login.jsp')
data = {'j_username': information['account'], 'j_password': information['password'],
'validateCode': vec2name(vec)}
r = session.post('http://jwfw1.sdjzu.edu.cn/ssfw/j_spring_ids_security_check', data=data, headers=headers)
if (re.search(r'校验码错误', r.text, re.I | re.M)) is None:
print("验证码正确通过!")
n = session.get(
'http://jwfw1.sdjzu.edu.cn/ssfw/jwnavmenu.do?menuItemWid=1E057E24ABAB4CAFE0540010E0235690',
headers=headers)
soup = BeautifulSoup(n.content, features='html.parser')
s = soup.select('div[title="有效成绩"] .t_con td[align="center"]')
subjects_number = int(len(s) / 11)
# print("科目数:", subjects_number)
for i in range(0, subjects_number):
# print('序号:', s[i * 11].get_text(strip=True))
# print('学年学期:', s[i * 11 + 1].get_text( strip=True))
# print('课程号:', s[i * 11 + 2].get_text(strip=True))
# print('课程名称:', s[i * 11 + 3].get_text( strip=True))
# print('课程类别:', s[i * 11 + 4].get_text(strip=True))
# print('任选课类别:', s[i * 11 + 5].get_text(strip=True))
# print('课程性质:', s[i * 11 + 6].get_text(strip=True))
# print('学分:', s[i * 11 + 7].get_text(strip=True))
# print('成绩:', s[i * 11 + 8].get_text(strip=True))
# print('****************')
ss = '{} {} 成绩: {}'.format(s[i * 11].get_text(strip=True), s[i * 11 + 3].get_text(strip=True),
s[i * 11 + 8].get_text(strip=True))
if first_time:
String1[users_number].append(ss)
else:
String2[users_number].append(ss)
# 发送邮件
my_user = '%s' % information['email']
sss = "".join(list(set(String2[users_number]).difference(set(String1[users_number])))) # b中有而a中没有的
ret = True
if first_time:
text = '\n'.join(String1[users_number])

try:
msg = MIMEText(text, 'plain', 'utf-8')
msg['From'] = formataddr(["weijiajin", SENDER]) # 括号里的对应发件人邮箱昵称、发件人邮箱账号
msg['To'] = formataddr(["亲~:", my_user]) # 括号里的对应收件人邮箱昵称、收件人邮箱账号
msg['Subject'] = "全部成绩!好好学习!" # 邮件的主题,也可以说是标题
server = smtplib.SMTP_SSL("smtp.qq.com", 465) # 发件人邮箱中的SMTP服务器,端口是465
server.login(SENDER, PASSWORD) # 括号中对应的是发件人邮箱账号、邮箱密码
server.sendmail(SENDER, [my_user, ], msg.as_string()) # 括号中对应的是发件人邮箱账号、收件人邮箱账号、发送邮件
server.quit() # 关闭连接
except Exception: # 如果 try 中的语句没有执行,则会执行下面的 ret=False
ret = False
if ret:
print("发送邮件成功!")
else:
print("发送邮件失败!")
String2[users_number].clear()
users_number = + 1
break
elif sss == "":
print("没有最新成绩!不发送邮件!")
String2[users_number].clear()
users_number = + 1
break
elif sss != "":
text = '\n'.join(String2[users_number])
title = "".join(list(set(String2[users_number]).difference(set(String1[users_number]))))
try:
msg = MIMEText(text, 'plain', 'utf-8')
msg['From'] = formataddr(["weijiajin", SENDER]) # 括号里的对应发件人邮箱昵称、发件人邮箱账号
msg['To'] = formataddr(["亲~", my_user]) # 括号里的对应收件人邮箱昵称、收件人邮箱账号
msg['Subject'] = "最新成绩出来啦~" + title # 邮件的主题,也可以说是标题
server = smtplib.SMTP_SSL("smtp.qq.com", 465) # 发件人邮箱中的SMTP服务器,端口是465
server.login(SENDER, my_pass) # 括号中对应的是发件人邮箱账号、邮箱密码
server.sendmail(SENDER, [my_user, ], msg.as_string()) # 括号中对应的是发件人邮箱账号、收件人邮箱账号、发送邮件
server.quit() # 关闭连接
except Exception: # 如果 try 中的语句没有执行,则会执行下面的 ret=False
ret = False
if ret:
print("发送邮件成功!")

else:
print("发送邮件失败!")
String1[users_number].clear()
String1[users_number] = String2[users_number]
String2[users_number].clear()
users_number = + 1
break
time.sleep(300)
else:
print("校验码错误!重新尝试中......")

first_time = False


def auto_download_train_images():
output = crack_captcha_cnn()
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('.'))
times1 = 0
times2 = 0

while True:
session = requests.Session()
headers = {"User-Agent": "Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:39.0) Gecko/20100101 Firefox/39.0"}
html = session.get(IMAGE_URL, headers=headers).content
with open('./test_captcha/test.png', 'wb') as file:
file.write(html)
img = Image.open('./test_captcha/test.png').convert('L')
# 二值化
img = img.point(lambda x: 255 if x > 173 else 0)
img1 = np.array(img)
img1 = 1 * (img1.flatten())
predict = tf.argmax(tf.reshape(output, [-1, MAX_CAPTCHA, CHAR_SET_LEN]), 2)
text_list = sess.run(predict, feed_dict={X: [img1], keep_prob: 1})
vec = text_list[0].tolist()
# print("预测:", vec2name(vec))
session.get('http://jwfw1.sdjzu.edu.cn/ssfw/login.jsp')
data = {'j_username': '201611101122', 'j_password': '174519',
'validateCode': vec2name(vec)}
r = session.post('http://jwfw1.sdjzu.edu.cn/ssfw/j_spring_ids_security_check', data=data, headers=headers)
if (re.search(r'校验码错误', r.text, re.I | re.M)) is None:
# print("验证码正确通过!")
# print(times1)
image_name = '{image_name}.png'
img.save(os.path.join('./verification_code_training_images/', image_name.format(image_name=vec2name(vec))))
times1 = times1 + 1
else:
# print("校验码错误!")
# print(times2)
image_name = '{image_name}.png'
img.save(os.path.join('./error_images/', image_name.format(image_name=vec2name(vec))))
times2 = times2 + 1
rate = times1/(times2+times1)
print("总次数: % s" % (times2+times1)+"正确率:% s " % rate)


captcha()
# auto_download_train_images()

TODO:

  • 增加绩点计算公式
  • 集成于微信小程序或者微信公众号
  • 优化代码

参考资料