Python AES加解密

AES加密方式有五种：ECB, CBC, CTR, CFB, OFB

从安全性角度推荐CBC加密方法，本文介绍了CBC,ECB两种加密方法的python实现

python 在 Windows下使用AES时要安装的是pycryptodome 模块 pip install pycryptodome

python 在 Linux下使用AES时要安装的是pycrypto模块 pip install pycrypto

CBC加密需要一个十六位的key(密钥)和一个十六位iv(偏移量)

Python图像处理识别滑动验证码缺口

参考文章

OpenCV_Python模板匹配

网易易盾

模板匹配

近期在破解网易易盾的滑动验证码，涉及到缺口识别的问题时，由于没有经验，上网查了一些资料，发现一个比较火的方式是利用opencv的模板匹配。

模板匹配是一种在较大图像中搜索和查找模板图像位置的方法。OpenCV提供了一个函数cv2.matchTemplate()。它只是在输入图像上滑动模板图像（如在2D卷积中），并比较模板图像下的输入图像的模板和补丁。在OpenCV中实现了几种比较方法。它返回一个灰度图像，其中每个像素表示该像素的邻域与模板匹配的程度。

假设输入图像的大小（W*H）且模板图像的大小（w*h），则输出图像的大小为（W-w + 1，H-h + 1）。获得结果后，可以使用cv2.minMaxLoc()函数查找最大/最小值的位置。将其作为矩形的左上角，并将（w，h）作为矩形的宽度和高度。那个矩形是你的模板区域匹配后得到的区域。

网易易盾滑动验证码破解（下篇）

接着上篇文章，我们在这篇文章中将会介绍，如何获取验证码和token,然后计算验证码缺口距离以及模拟轨迹生成等操作。

获取验证码

先看下获取验证码的请求（get请求）：

url=https://c.dun.163.com/api/v2/get?,参数如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

id: 07e2387ab53a4d6f930b8d9a9be71bdf
fp: hiXxMilwZwpb4+sPEBt7K4oMVlNDs1S7S/gSM+3CXwzXT61XEHUGWJ+KRpmQIBeAAaIce9YQE4koUZTctLkYBUU8TKdailKmA4yQBLqLOX/kBhCCeWYo4n6f3hVt91ql4g\52gzqt/95LLSwJLciW6C8pXVTxGxc0HmqhNP/pqrGca+6:1597838263871
https: true
type: 2
version: 2.14.0
dpr: 1
dev: 1
cb: CZU+qZFVc/pqC0dVRuPJJAvHF6vHAvfOaReW7FqVZrpR4cdM9avS/c\qJlBrAeKA
ipv6: false
runEnv: 10
group: 
scene: 
width: 320
token: 
referer: https://dun.163.com/trial/jigsaw
callback: __JSONP_bzmv2ur_0

需要动态变化的参数只有fp参数和cb参数，这里cb参数生成方式其实与我们上篇中的cb是一样的，所以重点是fp参数，也就是fingerprint(指纹)。

网易易盾滑动验证码破解（上篇）

概述

最近简单研究了下网易易盾的滑动验证码，在这里记录下主要思想、步骤和方法等，供以后参考，我会分两篇文章来讲破解过程，此篇虽为上篇，但是其实主要涉及破解的后半部分，这主要与“逆向”一词有关，逆向都是从结果开始往前推敲，直到开头，所以为了更好的理解，我尽量保持与一开始的破解流程一致的方式来写这篇文章。

浏览器调试功能介绍

平时我们在做爬虫的过程中，经常会遇到一些带有js加密的网站,想要破解js,学习使用浏览器的调试功能是必不可少的技能，这篇文章简单讲下如何使用Chrome浏览器的调试功能（主要指Source调试），并且后面简单使用几个例子进行了演示。

Source面板

首先来看一下Source面板，我这里将其分为四个部分：

接下来分别简单讲下这四个部分。

Python的PIL库

python imaging library是Python平台的图像处理标准库，我们在图像处理时不仅可以使用opencv，PIL也是可以的。

1
2
3
4
5
6
7
8
9
10

from PIL import Image

# 打开图片
img = Image.open("123.jpg")
# 获取宽、高
width, height = img.size()
# 获取像素值
r, g, b = img.getpixel((15, 9))
# 保存图片
img.save('456.png')

PIL还可以做图片剪裁，模糊等其他操作，并且PIL还可以打开opencv打不开的图片;

我曾遇到过使用opencv打开为None，而使用PIL可以打开的图片，但是使用PIL保存会提示：cannot write mode P as JPEG。

验证码识别之模型构建

Keras函数式API

之前学习使用的神经网络都是用Sequential模型实现的，网络只有一个输入和一个输出，而且网络是层的线性堆叠，这种网络配置非常常见，只使用Sequential模型类就能够涵盖许多主题和实际应用，但是有些情况下这种假设过于死板，有些网络需要多个独立的输入，有些网络则需要多个输出，而有些网络在层与层之间具有内部分支，这使得网络看起来像是层构成的图(graph)，而不是层的线性堆叠。

也就是针对类似多输入模型、多输出模型和类图模型的使用案例，只用Keras中的Sequentail模型是无法实现的，但是还有另一种更加更加通用、更加灵活的使用keras的方式，就是函数式API。

有机会我会在之外的文章中记录这方面更详细的内容，这里先简单了解下就好。

构建模型

对于验证码识别来说，一般是多输出模型，所以我们需要使用函数式API来构建模型

Discover

Filtering with the time picker

可以利用time picker（时间选择工具）实现按时间筛选数据；

也可以通过直方图来过滤，直接单击某一个直方图或者单击并拖动以查看特定的时间跨度；

Searching Your Data

在Kibana上搜索数据时，可以使用Kibana Query Language（KQL）(也就是Kibana的标准查询语言)或者直接使用Lucene query syntax(即Lucene 查询语法，KQL本身也是基于Lucene的)。

每次查询的结果获取的满足条件的数据条数会在左上角显示，会默认显示500条Documents（总条数大于500时），数据会在鼠标不断下滑的过程中自动加载，并且默认是按照时间排序的，时间最新的在最上面。

点一下Time旁边的小三角号就可以切换排序方式，每条数据都可以点开以JSON格式查看

Kibana Query Language语法

response:200will match documents where the response field matches the value 200，通俗地讲就是要求我们的document中有一个字段名为response，其值为“200”。

message:"Quick brown fox"will search for the phrase “quick brown fox” in the message field，其道理跟上面是一样的，这里重点在加不加引号的区别。如果加了引号就是精确匹配，若不加引号，则会匹配”quick brown fox”，也会匹配”quick fox brown”，也就是会忽略他们的顺序。

反爬六

此次练习的网站,其实这个网站无需破解，奈何当时脑子懵了，怎么请求都无法请求到数据，然后观察该网站的请求方式，在请求头中发现了奇怪的pqm参数，理所当然认为这是关键所在，所以开始了破解之路。悲催的是，破解之后还是请求不到数据，才发现问题所在。（不过讲道理，如果这个网站真的利用pqm反爬是很有可能的，我们的破解思路也是没什么问题）。

因为这个网站的破解不是必须的，下面就简单看下破解过程吧。

发现异常参数

首先通过观察，我们发现请求头里有个pqm的参数，那么当我们向服务器进行请求时，服务器端就很有可能利用该参数进行检测，如果我们发送过去的参数值不对，就不给我们返回正确数据。

定位该参数在js中的位置

一般情况，这种参数值的生成方法都是写在js代码中的，当在浏览器中加载页面时就会自动执行。

验证码识别之数据处理

当我们想要自己通过深度学习网络训练识别网上的各种验证码时，首先需要下载一定量的图片，而且还需要给这些验证码图片标注好正确的答案。所以，一开始我们要借助一些打码平台来帮助我们完成这部分工作，当然如果不嫌麻烦的话自己一张张图标注也是可以的……

当我们完成标注工作后，还需要对这些验证码图片进行处理，使之适合输入到我们的网络中。

对图像处理时我们需要用到OpenCV-python这个库，先使用pip install OpenCV-python安装一下。

在windows系统中，若出现导入cv2模块后，使用pycharm调用cv2的方法全部标黄，并且不提示方法名的情况，可以进入cv2的__init__.py中，注释全部代码，然后在最后加上以下代码：

1
2
3
4
5
6

import sys
import os
import importlib
os.environ["PATH"] += os.pathsep + os.path.dirname(os.path.realpath(__file__))
from .cv2 import *
globals().update(importlib.import_module('cv2.cv2').__dict__)

之后重启Pycharm应该可以解决。

图像模糊（滤波）

模糊操作时图像处理中最简单和常用的操作之一，主要是为了给图像预处理时降低噪声。

模糊的过程与卷积神经网络的原理类似，我们都知道图像其实是由一个个的像素点构成，我们可以选取特定大小的一个模板，然后扫描整幅图像，每一次扫描对整个模板内的所有像素点的值进行运算（不同的模糊操作采用的运算不一样），将得到的值赋值给中间的像素点。

主要有以下几种常见的模糊操作：