作者 | 江昱
來源 |
Serverless 公衆号前言
Serverless 概念自被提出就倍受關注，尤其是近些年來 Serverless 煥發出了前所未有的活力，各領域的工程師都在試圖将 Serverless 架構與自身工作相結合，以擷取到 Serverless 架構所帶來的“技術紅利”。
驗證碼(CAPTCHA)是“Completely Automated Public Turing test to tell Computers and Humans Apart”（全自動區分計算機和人類的圖靈測試）的縮寫，是一種區分使用者是計算機還是人的公共全自動程式。可以防止惡意破解密碼、刷票、論壇灌水，有效防止某個黑客對某一個特定注冊使用者用特定程式暴力破解方式進行不斷地登陸嘗試。實際上驗證碼是現在很多網站通行的方式，我們利用比較簡易的方式實作了這個功能。CAPTCHA 的問題由計算機生成并評判，但是這個問題隻有人類才能解答，計算機是無法解答的，是以回答出問題的使用者就可以被認為是人類。說白了，驗證碼就是用來驗證的碼，驗證是人通路的還是機器通路的“碼”。
那麼人工智能領域中的驗證碼識别與 Serverless 架構會碰撞出哪些火花呢？本文将通過 Serverless 架構和卷積神經網絡（CNN）算法，實作驗證碼識别功能。
淺談驗證碼
驗證碼的發展，可以說是非常迅速的，從開始的單純數字驗證碼，到後來的數字+字母驗證碼，再到後來的數字+字母+中文的驗證碼以及圖形圖像驗證碼，單純的驗證碼素材已經越來越多了。從驗證碼的形态來看，也是各不相同，輸入、點選、拖拽以及短信驗證碼、語音驗證碼……
Bilibili 的登入驗證碼就包括了多種模式，例如滑動滑塊進行驗證：
例如，通過依次點選文字進行驗證：
而百度貼吧、知乎、以及 Google 等相關網站的驗證碼又各不相同，例如選擇正着寫的文字、選擇包括指定物體的圖檔以及按順序點選圖檔中的字元等。
驗證碼的識别可能會根據驗證碼的類型而不太一緻，當然最簡單的驗證碼可能就是最原始的文字驗證碼了：
即便是文字驗證碼，也是存在很多差異的，例如簡單的數字驗證碼、簡單的數字+字母驗證碼、文字驗證碼、驗證碼中包括計算、簡單驗證碼中增加一些幹擾成為複雜驗證碼等。
驗證碼識别
1. 簡單驗證碼識别
驗證碼識别是一個古老的研究領域，簡單說就是把圖檔上的文字轉化為文本的過程。最近幾年，随着大資料的發展，廣大爬蟲工程師在對抗反爬政策時，對驗證碼的識别要求也越來越高。在簡單驗證碼的時代，驗證碼的識别主要是針對文本驗證碼，通過圖像的切割，對驗證碼每一部分進行裁剪，然後再對每個裁剪單元進行相似度對比，獲得最可能的結果，最後進行拼接，例如将驗證碼：
進行二值化等操作：
完成之後再進行切割：
切割完成再進行識别，最後進行拼接，這樣的做法是，針對每個字元進行識别，相對來說是比較容易的。
但是随着時間的發展，在這種簡單驗證碼逐漸無法滿足判斷“是人還是機器”的問題時，驗證碼進行了一次小更新，即驗證碼上面增加了一些幹擾線，或者驗證碼進行了嚴重的扭曲，增加了強色塊幹擾，例如 Dynadot 網站的驗證碼：
不僅有圖像扭曲重疊，還有幹擾線和色塊幹擾。這個時候想要識别驗證碼，簡單的切割識别就很難獲得良好的效果了，這時通過深度學習反而可以獲得不錯的效果。
2. 基于 CNN 的驗證碼識别
卷積神經網絡（Convolutional Neural Network，簡稱 CNN），是一種前饋神經網絡，人工神經元可以響應周圍單元，進行大型圖像處理。卷積神經網絡包括卷積層和池化層。
如圖所示，左圖是傳統的神經網絡，其基本結構是：輸入層、隐含層、輸出層。右圖則是卷積神經網絡，其結構由輸入層、輸出層、卷積層、池化層、全連接配接層構成。卷積神經網絡其實是神經網絡的一種拓展，而事實上從結構上來說，樸素的 CNN 和樸素的 NN 沒有任何差別（當然，引入了特殊結構的、複雜的 CNN 會和 NN 有着比較大的差別）。相對于傳統神經網絡，CNN 在實際效果中讓我們的網絡參數數量大大地減少，這樣我們可以用較少的參數，訓練出更加好的模型，典型的事半功倍，而且可以有效地避免過拟合。同樣，由于 filter 的參數共享，即使圖檔進行了一定的平移操作，我們照樣可以識别出特征，這叫做 “平移不變性”。是以，模型就更加穩健了。
1）驗證碼生成
驗證碼的生成是非常重要的一個步驟，因為這一部分的驗證碼将會作為我們的訓練集和測試集，同時最終我們的模型可以識别什麼類型的驗證碼，也是和這部分有關。
# coding:utf-8
import random
import numpy as np
from PIL import Image
from captcha.image import ImageCaptcha
CAPTCHA_LIST = [eve for eve in "0123456789abcdefghijklmnopqrsruvwxyzABCDEFGHIJKLMOPQRSTUVWXYZ"]
CAPTCHA_LEN = 4 # 驗證碼長度
CAPTCHA_HEIGHT = 60 # 驗證碼高度
CAPTCHA_WIDTH = 160 # 驗證碼寬度
randomCaptchaText = lambda char=CAPTCHA_LIST, size=CAPTCHA_LEN: "".join([random.choice(char) for _ in range(size)])
def genCaptchaTextImage(width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT, save=None):
image = ImageCaptcha(width=width, height=height)
captchaText = randomCaptchaText()
if save:
image.write(captchaText, './img/%s.jpg' % captchaText)
return captchaText, np.array(Image.open(image.generate(captchaText)))
print(genCaptchaTextImage(save=True)) 通過上述代碼，可以生成簡單的中英文驗證碼：
2）模型訓練
模型訓練的代碼如下（部分代碼來自網絡）。
util.py 檔案，主要是一些提取出來的公有方法：
# -*- coding:utf-8 -*-
import numpy as np
from captcha_gen import genCaptchaTextImage
from captcha_gen import CAPTCHA_LIST, CAPTCHA_LEN, CAPTCHA_HEIGHT, CAPTCHA_WIDTH
# 圖檔轉為黑白，3維轉1維
convert2Gray = lambda img: np.mean(img, -1) if len(img.shape) > 2 else img
# 驗證碼向量轉為文本
vec2Text = lambda vec, captcha_list=CAPTCHA_LIST: ''.join([captcha_list[int(v)] for v in vec])
def text2Vec(text, captchaLen=CAPTCHA_LEN, captchaList=CAPTCHA_LIST):
"""
驗證碼文本轉為向量
"""
vector = np.zeros(captchaLen * len(captchaList))
for i in range(len(text)):
vector[captchaList.index(text[i]) + i * len(captchaList)] = 1
return vector
def getNextBatch(batchCount=60, width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT):
"""
擷取訓練圖檔組
"""
batchX = np.zeros([batchCount, width * height])
batchY = np.zeros([batchCount, CAPTCHA_LEN * len(CAPTCHA_LIST)])
for i in range(batchCount):
text, image = genCaptchaTextImage()
image = convert2Gray(image)
# 将圖檔數組一維化 同時将文本也對應在兩個二維組的同一行
batchX[i, :] = image.flatten() / 255
batchY[i, :] = text2Vec(text)
return batchX, batchY
# print(getNextBatch(batch_count=1)) model_train.py 檔案，主要是進行模型訓練。在該檔案中，定義了模型的基本資訊，例如該模型是三層卷積神經網絡，原始圖像大小是 60160，在第一次卷積後變為 60160， 第一池化後變為 3080；第二次卷積後變為 3080 ，第二次池化後變為 1540；第三次卷積後變為 1540 ，第三次池化後變為720。經過三次卷積和池化後，原始圖檔資料變為 720 的平面資料，同時項目在進行訓練的時候，每隔 100 次進行一次資料測試，計算一次準确度：
# -*- coding:utf-8 -*-
import tensorflow.compat.v1 as tf
from datetime import datetime
from util import getNextBatch
from captcha_gen import CAPTCHA_HEIGHT, CAPTCHA_WIDTH, CAPTCHA_LEN, CAPTCHA_LIST
tf.compat.v1.disable_eager_execution()
variable = lambda shape, alpha=0.01: tf.Variable(alpha * tf.random_normal(shape))
conv2d = lambda x, w: tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
maxPool2x2 = lambda x: tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
optimizeGraph = lambda y, y_conv: tf.train.AdamOptimizer(1e-3).minimize(
tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_conv)))
hDrop = lambda image, weight, bias, keepProb: tf.nn.dropout(
maxPool2x2(tf.nn.relu(conv2d(image, variable(weight, 0.01)) + variable(bias, 0.1))), keepProb)
def cnnGraph(x, keepProb, size, captchaList=CAPTCHA_LIST, captchaLen=CAPTCHA_LEN):
"""
三層卷積神經網絡
"""
imageHeight, imageWidth = size
xImage = tf.reshape(x, shape=[-1, imageHeight, imageWidth, 1])
hDrop1 = hDrop(xImage, [3, 3, 1, 32], [32], keepProb)
hDrop2 = hDrop(hDrop1, [3, 3, 32, 64], [64], keepProb)
hDrop3 = hDrop(hDrop2, [3, 3, 64, 64], [64], keepProb)
# 全連接配接層
imageHeight = int(hDrop3.shape[1])
imageWidth = int(hDrop3.shape[2])
wFc = variable([imageHeight * imageWidth * 64, 1024], 0.01) # 上一層有64個神經元 全連接配接層有1024個神經元
bFc = variable([1024], 0.1)
hDrop3Re = tf.reshape(hDrop3, [-1, imageHeight * imageWidth * 64])
hFc = tf.nn.relu(tf.matmul(hDrop3Re, wFc) + bFc)
hDropFc = tf.nn.dropout(hFc, keepProb)
# 輸出層
wOut = variable([1024, len(captchaList) * captchaLen], 0.01)
bOut = variable([len(captchaList) * captchaLen], 0.1)
yConv = tf.matmul(hDropFc, wOut) + bOut
return yConv
def accuracyGraph(y, yConv, width=len(CAPTCHA_LIST), height=CAPTCHA_LEN):
"""
偏差計算圖，正确值和預測值，計算準确度
"""
maxPredictIdx = tf.argmax(tf.reshape(yConv, [-1, height, width]), 2)
maxLabelIdx = tf.argmax(tf.reshape(y, [-1, height, width]), 2)
correct = tf.equal(maxPredictIdx, maxLabelIdx) # 判斷是否相等
return tf.reduce_mean(tf.cast(correct, tf.float32))
def train(height=CAPTCHA_HEIGHT, width=CAPTCHA_WIDTH, ySize=len(CAPTCHA_LIST) * CAPTCHA_LEN):
"""
cnn訓練
"""
accRate = 0.95
x = tf.placeholder(tf.float32, [None, height * width])
y = tf.placeholder(tf.float32, [None, ySize])
keepProb = tf.placeholder(tf.float32)
yConv = cnnGraph(x, keepProb, (height, width))
optimizer = optimizeGraph(y, yConv)
accuracy = accuracyGraph(y, yConv)
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 初始化
step = 0 # 步數
while True:
batchX, batchY = getNextBatch(64)
sess.run(optimizer, feed_dict={x: batchX, y: batchY, keepProb: 0.75})
# 每訓練一百次測試一次
if step % 100 == 0:
batchXTest, batchYTest = getNextBatch(100)
acc = sess.run(accuracy, feed_dict={x: batchXTest, y: batchYTest, keepProb: 1.0})
print(datetime.now().strftime('%c'), ' step:', step, ' accuracy:', acc)
# 準确率滿足要求，儲存模型
if acc > accRate:
modelPath = "./model/captcha.model"
saver.save(sess, modelPath, global_step=step)
accRate += 0.01
if accRate > 0.90:
break
step = step + 1
train() 當完成了這部分之後，我們可以通過本地機器對模型進行訓練，為了提升訓練速度，我将代碼中的 accRate 部分設定為：
if accRate > 0.90:
break 也就是說，當準确率超過 90% 之後，系統就會自動停止，并且儲存模型。
接下來可以進行訓練：
訓練時間可能會比較長，訓練完成之後，可以根據結果繪圖，檢視随着 Step 的增加，準确率的變化曲線：
橫軸表示訓練的 Step，縱軸表示準确率
3. 基于 Serverless 架構的驗證碼識别
将上面的代碼部分進行進一步整合，按照函數計算的規範進行編碼：
# -*- coding:utf-8 -*-
# 核心後端服務
import base64
import json
import uuid
import tensorflow as tf
import random
import numpy as np
from PIL import Image
from captcha.image import ImageCaptcha
# Response
class Response:
def __init__(self, start_response, response, errorCode=None):
self.start = start_response
responseBody = {
'Error': {"Code": errorCode, "Message": response},
} if errorCode else {
'Response': response
}
# 預設增加uuid，便于後期定位
responseBody['ResponseId'] = str(uuid.uuid1())
print("Response: ", json.dumps(responseBody))
self.response = json.dumps(responseBody)
def __iter__(self):
status = '200'
response_headers = [('Content-type', 'application/json; charset=UTF-8')]
self.start(status, response_headers)
yield self.response.encode("utf-8")
CAPTCHA_LIST = [eve for eve in "0123456789abcdefghijklmnopqrsruvwxyzABCDEFGHIJKLMOPQRSTUVWXYZ"]
CAPTCHA_LEN = 4 # 驗證碼長度
CAPTCHA_HEIGHT = 60 # 驗證碼高度
CAPTCHA_WIDTH = 160 # 驗證碼寬度
# 随機字元串
randomStr = lambda num=5: "".join(random.sample('abcdefghijklmnopqrstuvwxyz', num))
randomCaptchaText = lambda char=CAPTCHA_LIST, size=CAPTCHA_LEN: "".join([random.choice(char) for _ in range(size)])
# 圖檔轉為黑白，3維轉1維
convert2Gray = lambda img: np.mean(img, -1) if len(img.shape) > 2 else img
# 驗證碼向量轉為文本
vec2Text = lambda vec, captcha_list=CAPTCHA_LIST: ''.join([captcha_list[int(v)] for v in vec])
variable = lambda shape, alpha=0.01: tf.Variable(alpha * tf.random_normal(shape))
conv2d = lambda x, w: tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
maxPool2x2 = lambda x: tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
optimizeGraph = lambda y, y_conv: tf.train.AdamOptimizer(1e-3).minimize(
tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=y_conv)))
hDrop = lambda image, weight, bias, keepProb: tf.nn.dropout(
maxPool2x2(tf.nn.relu(conv2d(image, variable(weight, 0.01)) + variable(bias, 0.1))), keepProb)
def genCaptchaTextImage(width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT, save=None):
image = ImageCaptcha(width=width, height=height)
captchaText = randomCaptchaText()
if save:
image.write(captchaText, save)
return captchaText, np.array(Image.open(image.generate(captchaText)))
def text2Vec(text, captcha_len=CAPTCHA_LEN, captcha_list=CAPTCHA_LIST):
"""
驗證碼文本轉為向量
"""
vector = np.zeros(captcha_len * len(captcha_list))
for i in range(len(text)):
vector[captcha_list.index(text[i]) + i * len(captcha_list)] = 1
return vector
def getNextBatch(batch_count=60, width=CAPTCHA_WIDTH, height=CAPTCHA_HEIGHT):
"""
擷取訓練圖檔組
"""
batch_x = np.zeros([batch_count, width * height])
batch_y = np.zeros([batch_count, CAPTCHA_LEN * len(CAPTCHA_LIST)])
for i in range(batch_count):
text, image = genCaptchaTextImage()
image = convert2Gray(image)
# 将圖檔數組一維化 同時将文本也對應在兩個二維組的同一行
batch_x[i, :] = image.flatten() / 255
batch_y[i, :] = text2Vec(text)
return batch_x, batch_y
def cnnGraph(x, keepProb, size, captchaList=CAPTCHA_LIST, captchaLen=CAPTCHA_LEN):
"""
三層卷積神經網絡
"""
imageHeight, imageWidth = size
xImage = tf.reshape(x, shape=[-1, imageHeight, imageWidth, 1])
hDrop1 = hDrop(xImage, [3, 3, 1, 32], [32], keepProb)
hDrop2 = hDrop(hDrop1, [3, 3, 32, 64], [64], keepProb)
hDrop3 = hDrop(hDrop2, [3, 3, 64, 64], [64], keepProb)
# 全連接配接層
imageHeight = int(hDrop3.shape[1])
imageWidth = int(hDrop3.shape[2])
wFc = variable([imageHeight * imageWidth * 64, 1024], 0.01) # 上一層有64個神經元 全連接配接層有1024個神經元
bFc = variable([1024], 0.1)
hDrop3Re = tf.reshape(hDrop3, [-1, imageHeight * imageWidth * 64])
hFc = tf.nn.relu(tf.matmul(hDrop3Re, wFc) + bFc)
hDropFc = tf.nn.dropout(hFc, keepProb)
# 輸出層
wOut = variable([1024, len(captchaList) * captchaLen], 0.01)
bOut = variable([len(captchaList) * captchaLen], 0.1)
yConv = tf.matmul(hDropFc, wOut) + bOut
return yConv
def captcha2Text(image_list):
"""
驗證碼圖檔轉化為文本
"""
with tf.Session() as sess:
saver.restore(sess, tf.train.latest_checkpoint('model/'))
predict = tf.argmax(tf.reshape(yConv, [-1, CAPTCHA_LEN, len(CAPTCHA_LIST)]), 2)
vector_list = sess.run(predict, feed_dict={x: image_list, keepProb: 1})
vector_list = vector_list.tolist()
text_list = [vec2Text(vector) for vector in vector_list]
return text_list
x = tf.placeholder(tf.float32, [None, CAPTCHA_HEIGHT * CAPTCHA_WIDTH])
keepProb = tf.placeholder(tf.float32)
yConv = cnnGraph(x, keepProb, (CAPTCHA_HEIGHT, CAPTCHA_WIDTH))
saver = tf.train.Saver()
def handler(environ, start_response):
try:
request_body_size = int(environ.get('CONTENT_LENGTH', 0))
except (ValueError):
request_body_size = 0
requestBody = json.loads(environ['wsgi.input'].read(request_body_size).decode("utf-8"))
imageName = randomStr(10)
imagePath = "/tmp/" + imageName
print("requestBody: ", requestBody)
reqType = requestBody.get("type", None)
if reqType == "get_captcha":
genCaptchaTextImage(save=imagePath)
with open(imagePath, 'rb') as f:
data = base64.b64encode(f.read()).decode()
return Response(start_response, {'image': data})
if reqType == "get_text":
# 圖檔擷取
print("Get pucture")
imageData = base64.b64decode(requestBody["image"])
with open(imagePath, 'wb') as f:
f.write(imageData)
# 開始預測
img = Image.open(imageName)
img = img.resize((160, 60), Image.ANTIALIAS)
img = img.convert("RGB")
img = np.asarray(img)
image = convert2Gray(img)
image = image.flatten() / 255
return Response(start_response, {'result': captcha2Text([image])}) 在這個函數部分，主要包括兩個接口：
• 擷取驗證碼：使用者測試使用，生成驗證碼
• 擷取驗證碼識别結果：使用者識别使用，識别驗證碼
這部分代碼，所需要的依賴内容如下：
tensorflow==1.13.1
numpy==1.19.4
scipy==1.5.4
pillow==8.0.1
captcha==0.3 另外，為了更加簡單的來體驗，提供測試頁面，測試頁面的背景服務使用 Python Web Bottle 架構：
# -*- coding:utf-8 -*-
import os
import json
from bottle import route, run, static_file, request
import urllib.request
url = "http://" + os.environ.get("url")
@route('/')
def index():
return static_file("index.html", root='html/')
@route('/get_captcha')
def getCaptcha():
data = json.dumps({"type": "get_captcha"}).encode("utf-8")
reqAttr = urllib.request.Request(data=data, url=url)
return urllib.request.urlopen(reqAttr).read().decode("utf-8")
@route('/get_captcha_result', method='POST')
def getCaptcha():
data = json.dumps({"type": "get_text", "image": json.loads(request.body.read().decode("utf-8"))["image"]}).encode(
"utf-8")
reqAttr = urllib.request.Request(data=data, url=url)
return urllib.request.urlopen(reqAttr).read().decode("utf-8")
run(host='0.0.0.0', debug=False, port=9000) 該後端服務，所需依賴：
bottle==0.12.19 前端頁面代碼：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>驗證碼識别測試系統</title>
<link href="https://www.bootcss.com/p/layoutit/css/bootstrap-combined.min.css" rel="stylesheet">
<script>
var image = undefined
function getCaptcha() {
const xmlhttp = window.XMLHttpRequest ? new XMLHttpRequest() : new ActiveXObject("Microsoft.XMLHTTP");
xmlhttp.open("GET", '/get_captcha', false);
xmlhttp.onreadystatechange = function () {
if (xmlhttp.readyState == 4 && xmlhttp.status == 200) {
image = JSON.parse(xmlhttp.responseText).Response.image
document.getElementById("captcha").src = "data:image/png;base64," + image
document.getElementById("getResult").style.visibility = 'visible'
}
}
xmlhttp.setRequestHeader("Content-type", "application/json");
xmlhttp.send();
}
function getCaptchaResult() {
const xmlhttp = window.XMLHttpRequest ? new XMLHttpRequest() : new ActiveXObject("Microsoft.XMLHTTP");
xmlhttp.open("POST", '/get_captcha_result', false);
xmlhttp.onreadystatechange = function () {
if (xmlhttp.readyState == 4 && xmlhttp.status == 200) {
document.getElementById("result").innerText = "識别結果：" + JSON.parse(xmlhttp.responseText).Response.result
}
}
xmlhttp.setRequestHeader("Content-type", "application/json");
xmlhttp.send(JSON.stringify({"image": image}));
}
</script>
</head>
<body>
<div class="container-fluid" style="margin-top: 10px">
<div class="row-fluid">
<div class="span12">
<center>
<h3>
驗證碼識别測試系統
</h3>
</center>
</div>
</div>
<div class="row-fluid">
<div class="span2">
</div>
<div class="span8">
<center>
<img src="" id="captcha"/>
<br><br>
<p id="result"></p>
</center>
<fieldset>
<legend>操作：</legend>
<button class="btn" onclick="getCaptcha()">擷取驗證碼</button>
<button class="btn" onclick="getCaptchaResult()" id="getResult" style="visibility: hidden">識别驗證碼
</button>
</fieldset>
</div>
<div class="span2">
</div>
</div>
</div>
</body>
</html> 準備好代碼之後，開始編寫部署檔案：
Global:
Service:
Name: ServerlessBook
Description: Serverless圖書案例
Log: Auto
Nas: Auto
ServerlessBookCaptchaDemo:
Component: fc
Provider: alibaba
Access: release
Extends:
deploy:
- Hook: s install docker
Path: ./
Pre: true
Properties:
Region: cn-beijing
Service: ${Global.Service}
Function:
Name: serverless_captcha
Description: 驗證碼識别
CodeUri:
Src: ./src/backend
Excludes:
- src/backend/.fun
- src/backend/model
Handler: index.handler
Environment:
- Key: PYTHONUSERBASE
Value: /mnt/auto/.fun/python
MemorySize: 3072
Runtime: python3
Timeout: 60
Triggers:
- Name: ImageAI
Type: HTTP
Parameters:
AuthType: ANONYMOUS
Methods:
- GET
- POST
- PUT
Domains:
- Domain: Auto
ServerlessBookCaptchaWebsiteDemo:
Component: bottle
Provider: alibaba
Access: release
Extends:
deploy:
- Hook: pip3 install -r requirements.txt -t ./
Path: ./src/website
Pre: true
Properties:
Region: cn-beijing
CodeUri: ./src/website
App: index.py
Environment:
- Key: url
Value: ${ServerlessBookCaptchaDemo.Output.Triggers[0].Domains[0]}
Detail:
Service: ${Global.Service}
Function:
Name: serverless_captcha_website 整體的目錄結構：
| - src # 項目目錄
| | - backend # 項目後端，核心接口
| | - index.py # 後端核心代碼
| | - requirements.txt # 後端核心代碼依賴
| | - website # 項目前端，便于測試使用
| | - html # 項目前端頁面
| | - index.html # 項目前端頁面
| | - index.py # 項目前端的背景服務（bottle架構）
| | - requirements.txt # 項目前端的背景服務依賴 完成之後，我們可以在項目目錄下，進行項目的部署：
s deploy 部署完成之後，打開傳回的頁面位址：
點選擷取驗證碼，即可線上生成一個驗證碼：
此時點選識别驗證碼，即可進行驗證碼識别：
由于模型在訓練的時候，填寫的目标準确率是 90%，是以可以認為在海量同類型驗證碼測試之後，整體的準确率在 90% 左右。
總結
Serverless 發展迅速，通過 Serverless 做一個驗證碼識别工具，我覺得這是一個非常酷的事情。在未來的資料采集等工作中，有一個優美的驗證碼識别工具是非常必要的。當然驗證碼種類很多，針對不同類型的驗證碼識别，也是一項非常有挑戰性的工作。