使用C#开发百度空间验证码自动填写的工具

百度贴吧的验证码是通过js调用的，好像有点ajax的意思，具体没有搞太明白。

当我们的光标焦点在了回复编辑框时，触发了一个onfocus事件，onfocus事件的脚本将验证码的输入框的display属性改为true，之后当我们将光标移动到验证码输入框之后又触发了一个onfocus事件，同时js脚本将验证码现实出来。 看完这个之后整个过程也就基本明了了，我们要想自动识别验证码并填写，首先我们要将现实验证码的图片或得了。 那么或得这个图片之前我们肯定要显示这个图片，也就是必须模拟出以上步骤，光标聚焦的回复编辑框的事件我们不用来处理，因为我们要恢复肯定要填写一定内容，但是下面的步骤就必须要模拟一下了。因为我们是在外部来访问ie浏览器，我们使用mshtml.dl。

首先在你的项目内引用mshtml.dll

using mshtml;

在类之前加入下面代码，将com的交互访问设置为true

[System.Runtime.InteropServices.ComVisible(true)]

然后我们定义一个获取图片的方法getimage，getimage通过mshtml的ihtml接口访问ie内的html元素

private Bitmap getImage()

{

mshtml.IHTMLDocument2 Doc;

mshtml.IHTMLElement element;

mshtml.IHTMLElementCollection all;

SHDocVw.ShellWindows shellWindows = new SHDocVw.ShellWindowsClass();

string filename;

Bitmap Img=null;

//便利进程树，从中找到浏览器

foreach (SHDocVw.InternetExplorer ie in shellWindows)

{

filename = Path.GetFileNameWithoutExtension(ie.FullName).ToLower();

if (filename.Equals(“iexplore”)) //如果进程名为iexplore

{

Doc = ie.Document as mshtml.IHTMLDocument2;

mshtml.IHTMLControlElement item;

HTMLBody body = (HTMLBody)Doc.body;

mshtml.IHTMLControlRange range = (IHTMLControlRange)body.createControlRange();

if (Doc.domain == “baidu.com”)

{

all = Doc.all;

element = all.item(“captcha”, null) as mshtml.IHTMLElement;

element.click(); .//模拟鼠标点击动作

System.Threading.Thread.Sleep(1000); //暂停1秒等ie响应

item = all.item(“captcha_img”, null) as mshtml.IHTMLControlElement;

System.Threading.Thread.Sleep(1000);//等待ie读取验证码图片

range.add(item);

range.execCommand(“Copy”, false, null);

Img =new Bitmap(Clipboard.GetImage()); //从剪切板中获取验证码图片

Clipboard.Clear();

}

}

}

return Img;

}

现在我们已经获取了一个图像文件，接下来我们需要做的就是图像的识别工作了，图像识别这里我们使用谷歌公司的开源库Tesseract 来完成，先介绍一下Tesseract 。

这款名为Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

在修复了最重要的数个漏洞后，Google认为Tesseract
OCR已经足够稳定，可以重新以开源软件方式发布。
http://sourceforge.net/projects/tesseract-ocr
我们使用的是Tesseract的.net版本,大家可以到http://www.pixel-technology.com/freeware/tessnet2/下载

接下来我们来做一下识别验证码的方法

private void Ocr()

{

string datapath = System.Environment.CurrentDirectory + “\\tessdata“; //这个是必须的，我们的字库信息就存储在这里

tessnet2.Tesseract ocr = new tessnet2.Tesseract();

ocr.Init(datapath, “eng”, false);

ocr.OcrDone = new tessnet2.Tesseract.OcrDoneHandler(Done);//使用一个Handler接管完成识别后的操作

ocr.DoOCR(getImage(), Rectangle.Empty);

}

void Done((List<tessnet2.Word> Words){

str = Words[0]; //这里的str是全局的。

}

验证码识别出来了，接下来我们把它填入验证码输入框中

public void write()

{

mshtml.IHTMLDocument2
Doc;

mshtml.IHTMLElement element;

mshtml.IHTMLElementCollection all;

SHDocVw.ShellWindows shellWindows = new SHDocVw.ShellWindowsClass();

string filename;

Bitmap Img = null;

foreach (SHDocVw.InternetExplorer ie in shellWindows)

{

filename = Path.GetFileNameWithoutExtension(ie.FullName).ToLower();

if (filename.Equals(“iexplore”))

{

Doc = ie.Document as mshtml.IHTMLDocument2;

HTMLBody body = (HTMLBody)Doc.body;

mshtml.IHTMLControlRange range = (IHTMLControlRange)body.createControlRange();

if (Doc.domain == “baidu.com”)

{

all = Doc.all;

element= all.item(“captcha”, null) as mshtml.IHTMLElement;

element.setAttribute(“Value”, str, 0);

}

}

}

}

这个程序基本上也算是完成了，试验中边度的验证码识别率大约在40%左右，也就是说有一半的验证码还是识别不出来，两种可能，一是我没有完全理解Tesseract的使用方法，二是百度的验证码两个字符之间有些交叉的地方，人眼有时都需要仔细分辨才能看清楚，我之前试验用Tesseract识别英文和数字，对于标准的的识别率能达到100%。 好了就说到这里的，如果哪位对Tesseract比较熟悉不妨帮我完善一下这个烂程序。
还有就是ihtml接口也是第一次使用，用的比较糟烂