[武汉大学教务系统入侵&窃取数据全过程记录]
[PHP验证码识别(OCR)技术科普贴]
[论教务系统修改默认密码的重要性]
[论教务系统修改默认密码的重要性]
[这么作死真的不会死吗？]
2014.8.15
玩着我自己写的微信订阅号("月翼科技")，突然想到传说中的(因为我只听说过，没用过额)神器"武大助手"貌似可以查成绩，百度了下，它是抓取的教务系统里面的数据，可是教务系统不是有验证码的吗，即使有了账号密码，过不了验证码还是没办法抓取数据的啊。那么，它是怎么解决这个问题的呢？
看了下教务系统的登录页面，额，每次刷新验证码服务器重新分配Session，客户端这边只存了一个SessionID的Cookies（如上图）。
也就是说，浏览这个页面的时候，客户端除了验证码这张图，根本没有获得任何关于验证码的内容的信息。
这是目前我知道的最标准最科学的做法了，貌似无懈可击啊。
难道是因为验证码太简单，武大助手他萌可以用第三方的类库破解掉？
果断百度，结果发现有可以识别数字的类库Valite，但是对验证码本身要求很高（清晰并且黑白分明），有可以识别字母和数字的第三方类库Tesseract，貌似还开源……但是下载下来发现，安装之后还需要复杂的教学过程……
总之，搜索PHP+验证码识别，基本找不到好的教程或者源码什么的，简直无奈。
妈蛋，作为一名ITer，太依赖第三方类库果断不是好习惯，没有类库就自己写！
参照那个识别数字验证码的思路，首先……
把图片每一个像素分开成一个矩阵（或者叫，2维数组？）。
分析每一个点的RGB值，观察验证码的放大图，很明显，字的部分，R(Red红色)的值比较高。
于是把字的那部分像素点给予不同的值以示区分。
最后的效果类似下图：
好吧，现在程序是能"分析"这张图了，但是程序要怎么"理解"它呢？
按照百度到的姿势，我们需要对这张"图"进行一些处理，首先，把能排除掉的没用的"噪点"去掉：
Then：
于是现在，这张"图"看起来就好辨认多了。
当然不是每次的图都这么清晰的，比如有这样的：
于是，我想到，可以把除去"噪点"的过程再来一遍，这样：
接下来，"除去"点的过程完成，开始"补充"一些点，让字母看起来更"连贯"一些：
验证码里面有4个字母，很明显我需要把它萌分开，于是竖着切几刀：
额，不过有时候会切错位置，额，比如这样：
经过一番努力(死了N个脑细胞)，总算不会切错了，然后横着再切：
2014.8.16
到这里的时候，我突然识别验证码貌似也没辣么难嘛。
如上图，其实相同的字母切出来之后，它的长度和宽度，以及里面的黑白位置基本是一样的。
于是，果断把字母的长宽和排列位置存下来（如上图，N个txt文件）。
如上图，根据长度和宽度，基本就可以确定可能是哪几个字母了。
但是当我收集了越来越多的字母长宽的时候，情况变成了这样：
当然，运气好的时候，可以是下面这样的：
不过光靠运气的话，识别成功率也太低了，果然还是要比对字母的矩阵(二维数组)的相似度来判断。
(在这里写了N层的循环，发现智商完全不够用了。)
随着存字母形状的txt文件越来越多，果断还是模糊匹配用到的更多：
接着，不断进行识别测试，终于让我发现了一个丧心病狂的例子（3个字母粘连在了一起）：
2014.8.15
玩着我自己写的微信订阅号("月翼科技")，突然想到传说中的(因为我只听说过，没用过额)神器"武大助手"貌似可以查成绩，百度了下，它是抓取的教务系统里面的数据，可是教务系统不是有验证码的吗，即使有了账号密码，过不了验证码还是没办法抓取数据的啊。那么，它是怎么解决这个问题的呢？
看了下教务系统的登录页面，额，每次刷新验证码服务器重新分配Session，客户端这边只存了一个SessionID的Cookies（如上图）。
也就是说，浏览这个页面的时候，客户端除了验证码这张图，根本没有获得任何关于验证码的内容的信息。
这是目前我知道的最标准最科学的做法了，貌似无懈可击啊。
难道是因为验证码太简单，武大助手他萌可以用第三方的类库破解掉？
果断百度，结果发现有可以识别数字的类库Valite，但是对验证码本身要求很高（清晰并且黑白分明），有可以识别字母和数字的第三方类库Tesseract，貌似还开源……但是下载下来发现，安装之后还需要复杂的教学过程……
总之，搜索PHP+验证码识别，基本找不到好的教程或者源码什么的，简直无奈。
妈蛋，作为一名ITer，太依赖第三方类库果断不是好习惯，没有类库就自己写！
参照那个识别数字验证码的思路，首先……
把图片每一个像素分开成一个矩阵（或者叫，2维数组？）。
分析每一个点的RGB值，观察验证码的放大图，很明显，字的部分，R(Red红色)的值比较高。
于是把字的那部分像素点给予不同的值以示区分。
最后的效果类似下图：
好吧，现在程序是能"分析"这张图了，但是程序要怎么"理解"它呢？
按照百度到的姿势，我们需要对这张"图"进行一些处理，首先，把能排除掉的没用的"噪点"去掉：
Then：
于是现在，这张"图"看起来就好辨认多了。
当然不是每次的图都这么清晰的，比如有这样的：
于是，我想到，可以把除去"噪点"的过程再来一遍，这样：
接下来，"除去"点的过程完成，开始"补充"一些点，让字母看起来更"连贯"一些：
验证码里面有4个字母，很明显我需要把它萌分开，于是竖着切几刀：
额，不过有时候会切错位置，额，比如这样：
经过一番努力(死了N个脑细胞)，总算不会切错了，然后横着再切：
2014.8.16
到这里的时候，我突然识别验证码貌似也没辣么难嘛。
如上图，其实相同的字母切出来之后，它的长度和宽度，以及里面的黑白位置基本是一样的。
于是，果断把字母的长宽和排列位置存下来（如上图，N个txt文件）。
如上图，根据长度和宽度，基本就可以确定可能是哪几个字母了。
但是当我收集了越来越多的字母长宽的时候，情况变成了这样：
当然，运气好的时候，可以是下面这样的：
不过光靠运气的话，识别成功率也太低了，果然还是要比对字母的矩阵(二维数组)的相似度来判断。
(在这里写了N层的循环，发现智商完全不够用了。)
随着存字母形状的txt文件越来越多，果断还是模糊匹配用到的更多：
接着，不断进行识别测试，终于让我发现了一个丧心病狂的例子（3个字母粘连在了一起）：
（卧槽，不带这样的！）
（于是重新回去改切字母的代码，妈蛋，终于，就算4个字母都连在了一起都能给准确的切开了。）
突发奇想，其实在最开始的时候可以给验证码加一个"黑色"的边框，这样边缘位置的"白色"点也可以在"降噪"过程中被当做"噪点"去掉了。
虽然各种奇葩的验证码都有，不过也有下面这样的，就靠这种完全规范的验证码给我信心了：
随着收集的字母"样式"的txt文件越来越多，发现了最好识别的两个字母：O和C，简直完全对称，而且试验了很多次，O和C就米有别的样子的，只有这样的：
一共测试了200+的验证码，不断测试，找出错误，保存TXT，修正代码……
代码Part1（根据REB颜色分析图片）：
代码Part2（根据TXT文件保存的字母信息进行模糊匹配）：
之前都是把验证码图片下载到本地然后识别的，现在果断改成即时获取，即时识别。
识别成功截图：
识别失败截图：
统计时间（识别的速度还是挺好的，相对于获取一张验证码的时间，识别的时间简直可以忽略不计）：
开始在教务系统上验证效果（很明显问题不大）：
2014.8.17
接下来，开始做和"武大助手"类似的事情，抓取我自己的账号的数据：
表示做这个系统的人的代码命名习惯非常好（最喜欢这种人了），很明显方便了他萌开发的过程（当然也方便了我啊）。
成绩和课表的位置很容易就找到了。
=。=
于是，愉快地开始试验抓取数据了：
And：
And：
表示抓取数据的时间貌似就略长一些了：
Now，写一个猜密码的php，配合我之前的用.NET写的一个攻击老师作业网站的程序，开始暴力猜密码，Yeah。
（话说PHP实际是单线程的，这是它相对ASP.NET和JSP的一个缺陷吧，而且PHP理论上说，最好是限制执行时间的，so，不适合直接写DDOS攻击程序。）
（果断多会几门语言，玩技术会更Happy=。=）
猜密码，Yeah。（好喜欢~(≧▽≦)/~）
表示其实教务系统的密码没有很难猜的，我是从19930101一直猜到19971231的，最多也就试366*5=1830而已。
对于机器来说，循环尝试1830次……so easy嘛。
自己写的可以用命令行的攻击程序：
（参数意思是从2013302580001一直试到2013302580315，开5个线程试。）
Like this:
后来发现太慢了，额，于是：
因为验证码其实不是很大(1-2KB的样纸)，所以，貌似不是很占网速：
于是，额，下图是个程序bug，额，已经猜出来密码的账号，程序还在不停试密码，额，果断修正代码。
实验结果：30个线程，1小时，猜出了大约30个账号的密码。
2014.8.18
昨晚用了大约6-7个小时的时间，额，猜出了一堆密码，下图：
（Fail的代表试了1830个密码还试不粗来的，额，有可能是验证码识别错了，不过更大的可能是：这些孩纸早就机智地改了密码了！！！23333）
把txt整合到php文件里面去，方便上传到我的SAE服务器（貌似也能提高一些效率吧）。
改一下代码，果断还是下面这样的更有效率：
把php文件压缩一下，果断上传到我的SAE的服务器，嗯。
And：
用SAE去教务系统抓验证码会不会快一点？我也不造。
不过酱紫，至少符合所谓"负载均衡"吧（还可以叫小伙们萌协助我）……
（我的新浪的豆豆还没花超过50个呢，看看酱紫能烧掉多点豆=。=）
开始布置数据库，准备抓取大量的数据了：
晚上7点，额，关掉猜密码程序，数了下，一共Get了全院119个学号的密码，果断开始存数据……
最终一共获得分数记录项2655条，下学期的选课记录项1452条。
话说这次是时间不多，要不然可以扫完全院的数据的，有空也可以扫一下全校的。~(≧▽≦)/~
用已有的数据算了下平均分，额，发现最高的课程是军事理论（92.8），最低的大约是数字逻辑（60.1），额，还好我当初嫌它太偏硬件，没选，我还是挺机智的。
话说比较奇怪的是，C++程序设计（实验）平均分是78.6，但是C++程序设计的平均分居然只有60.1（比数字逻辑高0.06，额）。
万恶的大学物理B（上），平均分是66.9，额。
大学英语2的平均分只有75.2，意思是有一大半的人下学期都不能考4级咩？
好了，下面切回正题，武大助手（后来想到还有课程格子）是怎么导入教务系统的信息的呢？
其实，他们是这么做的：
卧槽啊！我早该想到的！验证码当然是发给用户自己去识别啊！！！
好吧，这已经不重要了。
=。=
[PS:这篇文章有木有点冷笑话的感觉？]