声明：只是用来学习，请不要使用非法用途，责任自负

虽然最近疫情总是反反复复，

但还是有许多小伙伴后台私信我有没有可以抢课的方法，

于是这个教程就来了

不过咱该说的还是说，别整违法的事情！

工具

使用python 3.6版本，安装如下库：

• 安装win32api
  -pip3 install pywin32
• 安装PIL
  -pip install Pillow
• 安装pyautogui
  -pip install pyautogui
• 安装numpy
  -pip install numpy
• 安装cv2
  -pip install opencv-python
• 安装matplotlib
  -pip install matplotlib

使用SPY查看相关窗口标题, 类名。
此标题唯一, 故可以以此来查找相关窗口

---

得到窗口句柄

    window_title = '课件学习 - Google Chrome' #python学习裙：660193417##
    screen_width = win32api.GetSystemMetrics(0)
    screen_height = win32api.GetSystemMetrics(1) 
    hwnd = win32gui.FindWindow(win32con.NULL,window_title) 
    if hwnd == 0 :
        error_exit('%s not found' % window_title)
        exit()
    else:
        print('hwnd = %x'%(hwnd))
 
    window_left,window_top,window_right,window_bottom = win32gui.GetWindowRect(hwnd)

主循环

原理：

主要通信截图屏幕的图片，

然后通过模板图像与之比较，

如果出现我们需要的场景，

那么得到对应的位置坐标，

然后自动调用点击功能，

从而实现自动化操作。

那么这里主要使用opencv的两个算法，
一个是图像相似度打分算法，
另一个是图像搜索算法。

 while True:
        grab_image = snapshot.grab_screen(deal_left,deal_top,deal_right,deal_bottom)
        #grab_image.show()
        grab_image.save(r'.\tmp_output\full_screen.png')
 
        #big pic size = 1936x1056
        full_screen_w = 1936
        full_screen_h = 1056
        
        pixel_core_x = 877.0
        pixel_core_y = 25.0
        
        deal_left = window_left #window_left + kejian_x / full_screen_w * window_width - 100
        deal_top = window_top + pixel_core_y / full_screen_h * window_height - 20
        deal_right = window_left + window_width#window_left + kejian_x / full_screen_w * window_width + 150    
        deal_bottom = window_top + pixel_core_y / full_screen_h * window_height + 20
        grab_image = snapshot.grab_screen(deal_left,deal_top,deal_right,deal_bottom)
 
        search_pic = r'.\tmp_output\search_kejianxuexi.png' 
        grab_image.save(search_pic)
 
 
        #find kejian_tem
        template_pic = r'.\template\kejian_tem.png'
        num, w, h, pos_list = match.lookup_pos(template_pic, search_pic)
        left = 0
        top = 0
        find_kejian_flag = 0
        no_voice_flag = 0
        if num == 1:
            left = pos_list[0][0]
            top = pos_list[0][1]
            find_kejian_flag = 1
        else:
            print('==========warning search_kejianxuexi = ' + str(num))
            find_kejian_flag = 0
        if find_kejian_flag:
            img_rgb = cv2.imread(search_pic)
            img_rgb = img_rgb[top:top + h, left:left + w + 80, :]  # h, w, c
            compare_pic = r'.\tmp_output\kejianxuexi_compare.png'
            cv2.imwrite(compare_pic, img_rgb)
            
            temp_voice = r'.\template\kejianhua_tem_voice.png'
            temp_no_voice = r'.\template\kejianhua_tem_no_voice.png'
            no_voice_flag = match.score_pic(compare_pic, temp_voice, temp_no_voice)
 
        if no_voice_flag:
            print('===============find no_voice_flag')
          
            find_question_flag = find_question()
            if find_question_flag:
                #second
                time.sleep(5)
                find_daan()
                time.sleep(5)
                find_quding()
      
            find_chongbo_flag = find_chong_bo()
 
            if find_question_flag and find_chongbo_flag:
                print('========>find_chongbo_flag and  find_chongbo_flag')
                exit()
                
            if find_chongbo_flag:
                weikaishi()         
            
        else:
            print('===============every thing is ok')
 
        time.sleep(2) 
 
        #exit(0)

图像相似度打分算法

那么如何判断一张被PS过的图片是否与另一张图片本质上相同呢？

比较简单、易用的解决方案是采用感知哈希算法（Perceptual Hash Algorithm)。

感知哈希算法是一类算法的总称，
包括aHash、pHash、dHash。

顾名思义，感知哈希不是以严格的方式计算Hash值，
而是以更加相对的方式计算哈希值，因为“相似”与否，
就是一种相对的判定。

aHash：平均值哈希。速度比较快，但是常常不太精确。
pHash：感知哈希。精确度比较高，但是速度方面较差一些。
dHash：差异值哈希。Amazing！精确度较高，且速度也非常快。因此我就选择了dHash作为我图片判重的def

pHash(imgfile):
    """get image pHash value"""
    #加载并调整图片为32x32灰度图片
    img=cv2.imread(imgfile, 0) 
    img=cv2.resize(img,(64,64),interpolation=cv2.INTER_CUBIC)
 
    #创建二维列表
    h, w = img.shape[:2]
    vis0 = np.zeros((h,w), np.float32)
    vis0[:h,:w] = img       #填充数据
 
    #二维Dct变换
    vis1 = cv2.dct(cv2.dct(vis0))
    #cv.SaveImage('a.jpg',cv.fromarray(vis0)) #保存图片
    vis1.resize(32,32)
 
    #把二维list变成一维list
    img_list=(vis1.tolist())
 
    print('----------')
    sum(img_list)
 
    #计算均值
    avg = sum(img_list)/(len(img_list)*1.0)
    print('----------')
    avg_list = ['0' if i<avg else '1' for i in img_list]
 
    #得到哈希值
    return ''.join(['%x' % int(''.join(avg_list[x:x+4]),2) for x in range(0,32*32,4)])
 
def hammingDist(s1, s2):
    assert len(s1) == len(s2)
    return sum([ch1 != ch2 for ch1, ch2 in zip(s1, s2)])
 
def aHash(img):
   #缩放为8*8
   img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
   #转换为灰度图
   gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
   #s为像素和初值为0，hash_str为hash值初值为''
   s=0
   hash_str=''
   #遍历累加求像素和
   for i in range(8):
       for j in range(8):
           s=s+gray[i,j]
   #求平均灰度
   avg=s/64
   #灰度大于平均值为1相反为0生成图片的hash值
   for i in range(8):
       for j in range(8):
           if gray[i,j]>avg:
               hash_str=hash_str+'1'
           else:
               hash_str=hash_str+'0'
   return hash_str
 
def cmpHash(hash1,hash2):
    n=0
    #hash长度不同则返回-1代表传参出错
    if len(hash1)!=len(hash2):
        return -1
    #遍历判断
    for i in range(len(hash1)):
    #不相等则n计数+1，n最终为相似度
        if hash1[i]!=hash2[i]:
            n=n+1
    return 1 - n / 64
 
 
def score_pic(compare_pic, temp_voice, temp_no_voice):
 
    #HASH1=pHash(compare_pic)
    #HASH2=pHash(temp_voice)
    #out_score = 1 - hammingDist(HASH1,HASH2)*1. / (32*32/4)
 
    img1 = cv2.imread(compare_pic)
    img2 = cv2.imread(temp_voice)
    img3 = cv2.imread(temp_no_voice)
    #time1 = time.time()
    hash1 = aHash(img1)
    hash2 = aHash(img2)
    voice_score = cmpHash(hash1, hash2)
    
    hash1 = aHash(img1)
    hash3 = aHash(img3)
    no_voice_score = cmpHash(hash1, hash3)
    no_voice_flag = 0
 
 
    #print(str(voice_score) + '=>' + str(no_voice_score))
    if no_voice_score >= voice_score:
        no_voice_flag = 1
    else:
        no_voice_flag = 0
 
    return no_voice_flag

图像搜索算法

使用res= cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)

def lookup_pos(template_pic, search_pic):
    img_rgb = cv2.imread(search_pic)
    img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
    img = img_gray
    #print(img.shape)
    template = cv2.imread(template_pic,0)
    w, h = template.shape[::-1]
 
    res = cv2.matchTemplate(img,template,cv2.TM_CCOEFF_NORMED)
    threshold = 0.95
    loc = np.where( res >= threshold)
    num = 0
    left = 0
    top = 0
 
    pos_list = []
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0,0,255), 2)
        left = pt[0]
        top = pt[1]
        pos_list.append(pt)
        num = num + 1
    
    res = res*256
    cv2.imwrite(r'.\tmp_output\out.png', img_rgb)
    cv2.imwrite(r'.\tmp_output\res.png', res)
 
 
    return num, w, h, pos_list

其实上课是一件美事，

只是你们自己还不知道…

今天的文章就到这里啦~

我是小熊猫，咱下篇文章再见啦(✿◡‿◡)