网站排名和什么有关,建设摩托车公司官方网站,17858833595做网站,国外做的好的网站背景
最近家里娃需要挂专家号的儿保#xff0c;奈何专家号实在过于抢手#xff0c;身为程序员的我也没有其他的社会资源渠道可以去弄个号#xff0c;只能发挥自己的技术力量来解决这个问题了。
出师不利
首先把应用安装到我已经 Root 过的 Pixel 3 上面#xff0c;点击应…背景
最近家里娃需要挂专家号的儿保奈何专家号实在过于抢手身为程序员的我也没有其他的社会资源渠道可以去弄个号只能发挥自己的技术力量来解决这个问题了。
出师不利
首先把应用安装到我已经 Root 过的 Pixel 3 上面点击应用图标打开的时候提示该手机已经Root过请慎用然后闪退看来应该是加固保护做了 Root 检测了。 先截取下发送的数据请求看下大致的流程。Android 7.0 以后应用不会信任用户安装的根证书了所以要抓包要么把根证书加到系统证书目录要么就是通过Hook的手段强行绕过证书我这边选第二种方法。安装 TrustmeAlready 以后在 Lsposed 里面配置绕过证书。
顺利抓到数据。
接下来就是分析参数这里面多数接口的信息都是比较明确的比如获取医生信息、就诊信息等基本上都是明文的信息这些略过不表。比较关键的是一些涉及用户信息的比如 tempCustId 以及 userCustId 从实践来看tempCustId 应该是就诊人的 ID而 userCustId 应该是账号登录的人的 ID因为可以登录自己账号帮别人挂号这个也是合理的。然后 appKey 应该是登录的 token 信息这边实践也是证明每次登录都是不一样的。最后有个关键的是 uuid看起来就是平时理解的 uuid可以到时候尝试随机生成试下。好了基本参数分析完以后开始构造参数来模拟请求看看对不对。
很不幸失败了。从尝试来看唯一影响的就是上面的 uuid因为从抓包的请求中扣下来填入模拟请求的话这个请求是成功的但是自己随机构造的话就是失败的。看起来这个 uuid 应该涉及到一些加密算法的校验解密失败在服务端认为异常的请求。 所以开起来还是要分析源代码看下这个参数的构建过程使用 JADX 打开看下源代码。 使用了阿里的加固方案而且是把 Dex 转成了 SO 的文件然后在运行时使用自定义的 ClassLoader 去加载的看来要解决这个问题还是要先脱壳了。暂时先止步于此。
柳岸花明
等等在再次查看抓包的数据发现在请求的过程中加载了大量的 HTML 的文件所以我猜测这个 APP 只是一个套壳的网页应用在分析可能的入口网址后我拿地址在网页中打开。果然跟我想象的一样。 那么 uuid 的生成是否可能在网页应用的源码里面呢打开 devtools 尝试搜索 uuid 相关的字符串果然找到了相应的代码。
至此搞定了 uuid 的生成逻辑距离成功又迈进了一大步。
最后的守卫
现在距离最后的成功还差一步就是在发起预约的时候有个图形验证码需要校验。 通过多次调用请求图形验证码的接口我发现它生成的规则比较固定基本都是数字的组合而且有一点就是数字在图片上的布局也是固定的。所以这个地方如果用TensorFlow去做识别就比较简单了。
首先收集数据集。
然后对采集到的数据做标注提取以及灰度化处理。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 def paa(file): img Image.open(file).convert(L) # 读取图片并灰度化 img img.crop((0, 10, 100, 36)) # 120*44图片裁剪为100*26 # 分离数字 img1 img.crop((0, 0, 19, 26)) # 单个数字图片大小为19*26 img2 img.crop((30, 0, 49, 26)) img3 img.crop((60, 0, 79, 26)) img4 img.crop((80, 0, 99, 26)) img1 np.array(img1).flatten() # 扁平化把二维弄成一维度 img1 list(map(lambda x: 1 if x 180 else 0, img1)) img2 np.array(img2).flatten() img2 list(map(lambda x: 1 if x 180 else 0, img2)) img3 np.array(img3).flatten() img3 list(map(lambda x: 1 if x 180 else 0, img3)) img4 np.array(img4).flatten() img4 list(map(lambda x: 1 if x 180 else 0, img4)) return (img1, img2, img3, img4)
单张图片采集出来的数字图片。
构建拟合函数并保存训练模型。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 import tensorflow.compat.v1 as tf tf.compat.v1.disable_eager_execution() from data import train_images, train_labels DLEN len(train_images.data[0]) DNUM len(train_images.data) x tf.placeholder(tf.float32, [None, DLEN]) W tf.Variable(tf.zeros([DLEN, 10])) b tf.Variable(tf.zeros([10])) y tf.nn.softmax(tf.matmul(x, W) b) y_ tf.placeholder(float, [None, 10]) cross_entropy -tf.reduce_sum(y_*tf.log(y)) train_step tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy) saver tf.train.Saver() sess tf.Session() sess.run(tf.global_variables_initializer()) for i in range(DNUM): batch_xs [train_images.data[i]] batch_ys [train_labels.data[i]] sess.run(train_step, feed_dict{x: batch_xs, y_: batch_ys}) correct_prediction tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy tf.reduce_mean(tf.cast(correct_prediction, float)) saver.save(sess, model/model) sess.close()
验证下训练的模型。 告捷
最后模拟请求发送完成预约挂号。
