0x01 目的
日常渗透环境中，有不少的网站存在验证码，导致无法顺利爆破，存在漏洞在眼边溜走的可能性
而一些接口会存在一些次数或者费用的限制，因为一个对验证码识别的库还是有必要的
存在着较棘手的坑点，遂记录下mac系统下安装和使用cnn_captcha的过程
0x02 cnn_captcha
* 引用官方介绍
本项目针对字符型图片验证码，使用tensorflow实现卷积神经网络，进行验证码识别。
项目封装了比较通用的校验、训练、验证、识别、API模块，
极大的减少了识别字符型验证码花费的时间和精力。
项目已经帮助很多同学高效完成了验证码识别任务。 如果你在使用过程中出现了
bug和做了良好的改进，欢迎提出issue和PR，作者会尽快回复，希望能和你共同完善项目。
如果你需要识别点选、拖拽类验证码，或者有目标检测需求，也可以参考这个项目nickliqian/darknet_captcha。
0x03 安装及初始化
- 我的环境
python3.8.6
macos10.15.6
- clone 项目
git clone https://github.com/nickliqian/cnn_captcha.git
- 修改一下requirments.txt里的tensorflow库版本（原先是tensorflow == 1.15.3 改为tensorflow == 2.2.0）
我的python是3.8版本，如果直接按照原先版本安装是会报错提示未找到对应版本的
因为对应python3的tensorflow这个库的最低都是2.0以上版本，所以此处先修改好版本
- 安装requirments.txt，附一张别的图，因为我是踩坑的，所以tensorflow单独安的
pip3 install -r requirments.txt
- 对cnn_captcha中使用1.0多版本的tensorflow库语法升级到2.0以上,后面操作就去新的cnn_captcha_v2文件夹操作了，原先的已经没用了
cd ../ //退到项目外
tf_upgrade_v2 --intree cnn_captcha/ --outtree cnn_captcha_v2/ --reportfile report.txt
- 开始修改py文件导入tensorflow的语法，mac的搜索框直接输入
import tensorflow as tf来找到使用这个语法的py文件，全部修改
import tensorflow as tf
↓
import tensorflow as tf
tf.compat.v1.disable_eager_execution() //就是加上这行的意思
- 然后可以正式开始运行
创建训练集，conf文件夹下是一些配置文件，都是负责什么的，md文件也有写，默认先不管，这里开始生成训练集，就是项目自带的可以生成验证码的py文件，生成一些用来训练的验证码图片，在sample/origin下
python3 gen_sample_by_captcha.py
- 对验证码图片验证和拆分数据集，我是按照配置在sample目录下创建origin、train、test三个目录，不知道如果不存在这些目录是否会自动创建，自行斟酌
python3 verify_and_split_data.py
- 终于可以开始训练了，会用些时间，对了，默认是启动gpu的
python3 train_model.py
- 启动webserver，将下列代码加入webserver_recognize_api.py文件，从88行开始加进去就行 ，进行base64是为了使用burp传图片给cnn时保证验证码图片的一致性
@app.route('/base64',methods=['POST'])
def up_imageBase64():
if request.method == 'Post' and request.form['image_file']:
timec = str(time.time()).replace(".","")
file = request.form['image_file']
img = base64,b64decode(fi1e)#获取bage64转成图片 fimg =file read()
img= BytesIO(img)
img =Image.open(img, mode="r")
print("接收图片尺寸:{}", format(img.size))
img_size = img.resize((image_width,image_height), Image.ANTIALIAS)
print("接收图片尺寸2:{}".format(img.size))
s = time.time()
value = R.rce_image(img_size)
e= time.time()
print("识别结果:{}".format(value))
print("保存图片: {}{}_{}.{}".format( api_image_dir, vallue, timec, image_suffix))
file_name ="{}_{}.{}".format(value, timec, image_suffix)
file_path =os.path.join(api_image_dir + file_name)
img.save(file_path)
result = {
'time': timec,#时间戳
'value': value,#预测的结果
'speed_time(ms)':int((e-s)*1000)#识别耗费的时间
}
img.close()
return jsonify(result)
else:
content = json.dumps({'error_code':"1001"})
resp = response_headers(content)
return resp
支付宝 
微信