discover · compare · collections · requirements · contribute · feed · watching · stats · help with your tokens
luyishisi/Anti-Anti-Spider · source
Snapshot 0 · 2026-11-04T12:47:24Z · Python ·
Content fingerprint
4959fce130ab94e7a4a1b815b666ace84bd5218c6163d7b9127f6daf3f1603eaGitHub description at capture
越来越多的网站具有反爬虫特性，有的用图片隐藏关键数据，有的使用反人类的验证码，建立反反爬虫的代码仓库，通过与不同特性的网站做斗争（无恶意）提高技术。（欢迎提交难以采集的网站）（因工作原因，项目暂停）
README at capture
## 基于CNN的验证码图片识别 ### 简介 本项目采用alexnet模型和letnet模型，可根据实际需要选择(在train_model.py中的train函数修改即可)95.5% ### 作者有话说 不知不觉这个git库伴随我从16到到20年，带给我自己最棒的一段人生旅程， 整理了这份文档，希望任何想学习图片识别，玩玩卷积神经网络的同学可以最便捷的上手体验。 请谨慎使用技术，仅支持学习，不支持任何黑灰产相关 可参看：https://www.urlteam.cn/?p=1893 https://www.urlteam.cn/?p=1406 原先的Anti-Anti-Spider 全部内容移动到 原Anti-Anti-Spider 目录下 有何疑问可邮件 543429245@qq.com 咨询 模型文件下载 如果出现无法解压，可以使用： https://www.urlteam.cn/%E5%8F%AF%E7%94%A8%E8%AE%AD%E7%BB%83%E9%9B%86%E4%B8%8E%E8%AE%AD%E5%A5%BD%E7%9A%84%E6%A8%A1%E5%9E%8B.zip #### Alexnet 模型结构  根据验证码的复杂度不同，训练的时间也会有较大的不同  ### 使用方法 1.开始训练样本前，修改conf/config.json 2.将预处理过的数据集分成验证集和训练集，放到sample目录下 3.运行train_model.py开始训练，训练完成的模型保存至model_result中 4.将训练好的模型放置model_result，运行cnn_models/recognition.py，选定验证码，即可看到模型效果 ### 环境配置 TensorFlow CPU版本安装：`pip install tensorflow==1.9.0` TensorFlow GPU版本安装：`pip install tensorflow-gpu==1.9.0` GUP版本的安装比较麻烦，需要安装CUDA和cuDNN才能使tensorflow调动GPU 下图为TensorFlow，Python，CUDA与cuDNN之间的版本对应关系：  CUDA与cuDNN安装过程主要有两步： 1. 到官网下载CUDA并安装 2. 将cuDNN解压，复制到CUDA安装目录下 这里提供两个文件的链接： CUDA：`https://developer.nvidia.com/cuda-toolkit-archive` cuDNN：`https://developer.nvidia.com/rdp/cudnn-archive` 更具体的安装过程度娘可帮你轻松解决(linux,windows这两步的操作方法各不相同) ### 项目结构 ``` ├─cnn_models │ ├─cnn_model.py # CNN网络类 │ └─recognition.py # 验证训练结果 ├─conf │ └─config.json # 配置文件 ├─logs # 模型训练日志 ├─model_result # 模型保存地址 │ └─1040 # 一套训练完成的验证码训练集及对应模型 ├─sample │ ├─test # 训练集（训练集与验证集一般是对总数据集9:1分割） │ └─train # 验证集 ├─src # 配置环境所需的工具，可根据自身情况到网上下载 ├─train_model.py # 训练程序 └─verify_sample.py # 制作数据集（打标签加图片预处理） ``` ### 图片预处理 + 为验证码图片打上标签，如：  命名为1040_2019-10-13_10_1092.jpg，1092为标签，其余为附加信息，可根据自己需要更改，用`_`分割即可 + 由于模型输入要求输入必须为227*227，所有需要调整图片形状，verify_sample.py中提供有工具函数 ### 注意事项 alexnet输入必须为227*227的图片，所有图片预处理时可通过PIL中的函数线性转换图片形状，或者缩放后粘贴到227*227的背景中。