1. 项目概述当安全测试遇上图片验证码在渗透测试和Web应用安全评估的日常工作中图片验证码CAPTCHA常常是自动化工具面前的一道“叹息之墙”。无论是进行暴力破解、撞库攻击测试还是自动化爬取敏感数据一个设计得当的验证码就能让脚本瞬间哑火。传统的应对方式要么是手动识别效率低下且枯燥要么是寻找验证码逻辑漏洞但这并非每次都能奏效。于是一个将开源OCR光学字符识别技术与Burp Suite这款安全测试“瑞士军刀”相结合的想法便应运而生。这个实战项目的核心就是打造一个能够集成到Burp Suite工作流中的插件让它能自动识别请求中的图片验证码并将识别结果填充回请求中从而实现测试流程的半自动化甚至全自动化。这不仅仅是写几行代码调用一个API那么简单。它涉及到对HTTP请求/响应流的深度理解、对Burp Extender API的熟练运用、对OCR引擎的调优以及一套健壮的错误处理和重试机制。整个过程就像是为Burp Suite安装了一个“智能眼睛”和“机械手”让它能看懂图片里的文字并替我们完成重复的填充动作。无论是数字、字母混合的简单验证码还是一些经过轻微干扰的复杂类型通过合理的预处理和模型选择我们都有可能实现较高的识别成功率从而将安全测试人员从重复劳动中解放出来专注于更复杂的逻辑漏洞挖掘。2. 核心思路与技术选型解析2.1 为什么选择“Burp插件 开源OCR”这条路径面对验证码通常有几种思路一是利用第三方打码平台API优点是准确率高、省心但会产生持续费用且在某些内网或保密要求高的测试场景中将数据发送到外部平台存在安全合规风险。二是训练专用的深度学习模型这能获得针对特定验证码的最佳效果但需要大量的标注数据、较强的算法知识和训练成本对于快速响应、临时性的测试任务来说过于笨重。因此“Burp插件 开源OCR”的组合成了一种平衡性极强的方案。首先Burp Suite是安全测试的事实标准其强大的代理、重放、扫描功能与可扩展的插件体系为集成验证码识别提供了完美的舞台。插件可以直接操作经过Burp的HTTP流量无缝嵌入现有工作流。其次选择开源OCR引擎如Tesseract意味着零成本、可离线运行、完全自主可控。虽然其开箱即用的准确率可能不及商业API或专用模型但通过图像预处理、参数调优和字典限制我们完全可以在特定类型的验证码上达到实用级的识别率。这条路径的核心优势在于自主、可控、可定制、零持续成本非常适合安全研究人员和渗透测试工程师。2.2 核心组件与工作流程设计整个系统的架构可以清晰地分为三个层次流量拦截层、图像处理与识别层、结果回填层。流量拦截层 (Burp Plugin)这是整个系统的“大脑”和“调度中心”。我们需要编写一个Burp插件通常使用Java或Python通过Jython或JPython集成。该插件需要实现IHttpListener接口监听经过Burp的每一个HTTP请求和响应。其核心职责是检测验证码请求通过URL特征、响应Content-Type(image/jpeg,image/png)或HTML中的特定标签判断当前响应是否包含了一个需要识别的验证码图片。提取图像数据从HTTP响应体中提取出二进制的图片数据。调用识别层将图片数据传递给OCR识别引擎。回填识别结果获取OCR返回的文本后根据规则如查找请求中的captcha、code等参数名定位到需要修改的请求参数并用识别结果替换其值最后将修改后的请求发送出去或提供给测试者使用。图像处理与识别层 (OCR Engine)这是系统的“眼睛”。我们选用Tesseract OCR作为核心引擎。但原始验证码图片往往带有噪声、干扰线、扭曲、背景色块等直接丢给Tesseract识别率会很低。因此一个关键的预处理管道必不可少二值化将彩色或灰度图转为黑白图区分前景文字和背景。常用方法有全局阈值、自适应阈值如OpenCV的cv2.adaptiveThreshold。降噪去除孤立的像素点、细小的干扰线。可以使用中值滤波、形态学操作如开运算、闭运算。字符分割可选对于字符粘连严重的验证码可能需要尝试投影法、连通域分析等方法进行分割再分别识别但这会大大增加复杂度。通常优先调优Tesseract的--psm页面分割模式参数来应对。调用Tesseract通过命令行或pytesseract等库调用Tesseract并指定语言包如eng、PSM模式对于单行验证码--psm 7或--psm 8很常用和白名单如--oem 3 --psm 8 -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ。结果回填层 (Integration Logic)这是系统的“手”。识别出文本后需要智能地填充到后续的请求中。插件需要维护一个简单的上下文记住哪个验证码图片对应哪个即将发出的请求通常是下一个包含特定参数的POST请求。回填策略可以是自动的插件自动修改并转发请求也可以是手动的将识别结果展示在Burp界面由测试者确认后手动粘贴。2.3 技术栈选型详述Burp插件开发语言首选Java。因为Burp Suite本身是Java编写的使用Java开发插件兼容性最好性能最优可以直接使用Burp提供的完整API。另一种选择是Python通过Jython桥接虽然灵活但在处理复杂Burp API和性能上可能稍逊一筹。API关键接口包括IHttpListener监听HTTP流量、ITab创建自定义UI标签页、IContextMenuFactory创建右键菜单等。我们需要重点研究IHttpListener的processHttpMessage方法它能捕获所有经过代理的请求和响应。开发环境建议使用IntelliJ IDEA或Eclipse配置好Burp Extender API的JAR包作为依赖。OCR引擎Tesseract OCR开源OCR的标杆由Google维护。识别英文和数字效果较好对中文等语言需要额外训练数据。它支持多种输出格式并且可以通过命令行参数进行精细控制。预处理库OpenCV (Open Source Computer Vision Library)是不二之选。它提供了极其丰富的图像处理函数从简单的裁剪、缩放、到复杂的滤波、形态学操作、轮廓检测足以应对绝大多数验证码的预处理需求。通常使用其Python接口cv2或Java接口进行开发。部署与集成插件需要将Tesseract引擎和OpenCV库打包或依赖其系统安装。一种可靠的方式是要求用户在系统路径中安装好Tesseract插件通过调用命令行来使用它。OpenCV库则可以打包进插件的JAR文件中对于Java或确保Python环境已安装。注意此方案主要针对安全性较弱的验证码。它利用了验证码本身可能存在的识别漏洞。对于使用了强干扰、动态行为验证如滑动拼图、点选文字、深度学习模型的现代验证码如极验、腾讯验证码此方案成功率极低。它的适用场景是内部系统、老旧系统或开发者自制的简单验证码的辅助测试。3. 实战环境搭建与核心代码实现3.1 基础环境准备工欲善其事必先利其器。首先我们需要在本地搭建好所有必要的开发与运行环境。安装Burp Suite Professional确保你拥有Burp Suite专业版社区版对插件开发的支持有限。从PortSwigger官网下载并激活。安装Java开发环境 (JDK)建议安装JDK 8或11与Burp兼容性较好。配置好JAVA_HOME环境变量。安装Tesseract OCRWindows从GitHub上的UB-Mannheim项目下载Tesseract安装程序。安装时记得勾选“将Tesseract添加到系统路径”。同时下载所需的语言数据包如eng.traineddata放入Tesseract安装目录的tessdata文件夹中。macOS使用Homebrew安装最为简便brew install tesseract。Linux使用包管理器安装例如Ubuntu/Debiansudo apt install tesseract-ocr以及sudo apt install libtesseract-dev。安装后在命令行输入tesseract --version确认安装成功。安装OpenCV如果使用Java开发需要将OpenCV的Java库.jar和.dll/.so/.dylib添加到项目依赖中。如果使用Python通过Jython则使用pip安装pip install opencv-python-headlessheadless版本适用于无GUI的服务器环境。配置开发工具以IntelliJ IDEA为例创建一个新的Java项目。将Burp Suite启动时加载的burpsuite_pro.jar位于Burp安装目录作为库文件添加到项目的依赖中。这个JAR包包含了所有Burp Extender API。3.2 Burp插件骨架与HTTP监听器实现首先我们创建一个基本的Burp插件类并实现核心的IHttpListener接口。package com.example.burp.ocrplugin; import burp.*; import java.awt.*; import java.io.IOException; import java.util.ArrayList; import java.util.List; // 必须实现IBurpExtender接口这是所有Burp插件的入口 public class BurpExtender implements IBurpExtender, IHttpListener, ITab { private IBurpExtenderCallbacks callbacks; private IExtensionHelpers helpers; private PrintWriter stdout; private PrintWriter stderr; // 自定义UI组件后续可扩展 private JPanel mainPanel; private JTextArea logArea; // 用于存储上下文信息如图片ID与对应请求的关系 private String lastCaptchaImageHash; private IHttpRequestResponse lastRequestRequiringCaptcha; Override public void registerExtenderCallbacks(final IBurpExtenderCallbacks callbacks) { this.callbacks callbacks; this.helpers callbacks.getHelpers(); this.stdout new PrintWriter(callbacks.getStdout(), true); this.stderr new PrintWriter(callbacks.getStderr(), true); // 设置插件名称 callbacks.setExtensionName(OCR Captcha Cracker); // 注册HTTP监听器 callbacks.registerHttpListener(this); // 初始化UI简化版 SwingUtilities.invokeLater(new Runnable() { Override public void run() { initializeUI(); callbacks.addSuiteTab(BurpExtender.this); } }); stdout.println(OCR Captcha Cracker Plugin Loaded Successfully!); } private void initializeUI() { mainPanel new JPanel(new BorderLayout()); logArea new JTextArea(20, 60); logArea.setEditable(false); JScrollPane scrollPane new JScrollPane(logArea); mainPanel.add(scrollPane, BorderLayout.CENTER); // 可以添加按钮、配置面板等 } Override public Component getUiComponent() { return mainPanel; } // 核心方法处理每一个经过Burp的HTTP消息 Override public void processHttpMessage(int toolFlag, boolean messageIsRequest, IHttpRequestResponse messageInfo) { // 只处理从Proxy、Repeater、Intruder等工具来的消息 if (toolFlag ! IBurpExtenderCallbacks.TOOL_PROXY toolFlag ! IBurpExtenderCallbacks.TOOL_REPEATER toolFlag ! IBurpExtenderCallbacks.TOOL_INTRUDER) { return; } if (!messageIsRequest) { // 这是一个HTTP响应 processHttpResponse(toolFlag, messageInfo); } else { // 这是一个HTTP请求在发送前 processHttpRequest(toolFlag, messageInfo); } } private void processHttpResponse(int toolFlag, IHttpRequestResponse messageInfo) { IResponseInfo responseInfo helpers.analyzeResponse(messageInfo.getResponse()); ListString headers responseInfo.getHeaders(); // 检查响应头判断是否为图片 for (String header : headers) { if (header.toLowerCase().startsWith(content-type: image/)) { // 发现图片响应记录下这个响应并尝试识别 log(发现图片响应URL: helpers.analyzeRequest(messageInfo).getUrl().toString()); handleCaptchaImage(messageInfo); break; } } // 也可以检查响应体内容或URL路径中是否包含captcha, code, verify等关键词 } private void processHttpRequest(int toolFlag, IHttpRequestResponse messageInfo) { // 检查即将发出的请求看它是否需要验证码参数 // 这里是一个简单的示例查找请求参数中是否有captcha或verificationCode IRequestInfo requestInfo helpers.analyzeRequest(messageInfo); ListIParameter params requestInfo.getParameters(); for (IParameter param : params) { if (param.getName().toLowerCase().contains(captcha) || param.getName().toLowerCase().contains(verify) || param.getName().toLowerCase().contains(code)) { log(发现需要验证码的请求参数名: param.getName()); // 将当前请求标记为“待填充验证码的请求” lastRequestRequiringCaptcha messageInfo; // 可以在这里尝试自动填充之前识别到的验证码 autoFillCaptchaIfPossible(messageInfo, param); break; } } } private void log(String message) { logArea.append(message \n); stdout.println([OCR Plugin] message); } // ... 后续将实现 handleCaptchaImage 和 autoFillCaptchaIfPossible 方法 }这段代码搭建了插件的基本框架。它注册了HTTP监听器能够拦截所有请求和响应。当发现图片类型的响应时会触发handleCaptchaImage方法当发现包含验证码参数的请求时会触发autoFillCaptchaIfPossible方法。接下来我们将实现最关键的图像处理和OCR识别部分。3.3 图像预处理与OCR识别引擎集成我们需要在插件中集成图像处理逻辑。由于在Java中直接进行复杂的图像处理较为繁琐一个常见的做法是通过命令行调用外部Python脚本来完成预处理和OCR识别。这样可以利用Python在数据科学和图像处理领域的丰富生态如OpenCV, PIL, pytesseract。插件负责提取图像数据并传递给Python脚本然后接收识别结果。首先创建一个Python脚本ocr_engine.py#!/usr/bin/env python3 import sys import cv2 import numpy as np import pytesseract from PIL import Image import base64 import json import tempfile import os def preprocess_image(image_data): 对验证码图片进行预处理 :param image_data: 二进制图片数据 :return: 预处理后的二值化图像 (OpenCV格式) # 将二进制数据转换为numpy数组 nparr np.frombuffer(image_data, np.uint8) img cv2.imdecode(nparr, cv2.IMREAD_COLOR) if img is None: raise ValueError(无法解码图像数据) # 1. 转为灰度图 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2. 应用自适应阈值二值化比全局阈值更能应对光照不均 # 参数灰度图最大阈值自适应方法阈值类型块大小常数C binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 3. 降噪使用中值滤波去除椒盐噪声 denoised cv2.medianBlur(binary, 3) # 4. 形态学操作开运算先腐蚀再膨胀去除细小白点噪声 # 闭运算先膨胀再腐蚀填充小黑洞字符内部 kernel np.ones((2, 2), np.uint8) opened cv2.morphologyEx(denoised, cv2.MORPH_OPEN, kernel) closed cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel) # 可选如果背景是深色文字是浅色需要反转 # 统计像素如果黑色0像素远多于白色255像素说明背景是黑色需要反转 # if np.sum(closed 0) np.sum(closed 255): # closed cv2.bitwise_not(closed) return closed def ocr_captcha(image_data): 主识别函数 :param image_data: 二进制图片数据 :return: 识别出的文本字符串 try: processed_img preprocess_image(image_data) # 配置Tesseract参数 # --psm 8: 将图像视为单个单词 # --oem 3: 默认OCR引擎模式 # -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ: 只识别数字和大写字母 custom_config r--oem 3 --psm 8 -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ # 使用pytesseract进行OCR text pytesseract.image_to_string(processed_img, configcustom_config) # 清理识别结果去除空格、换行等无关字符 cleaned_text .join(ch for ch in text if ch.isalnum()) return cleaned_text except Exception as e: return fOCR_ERROR: {str(e)} if __name__ __main__: # 从标准输入读取Base64编码的图片数据Burp插件传递过来 input_data sys.stdin.buffer.read() try: # 期望输入是JSON格式{image_b64: ...} input_json json.loads(input_data.decode(utf-8)) image_b64 input_json.get(image_b64, ) if not image_b64: # 如果不是JSON假设整个输入就是base64字符串简化处理 image_b64 input_data.decode(utf-8).strip() image_bytes base64.b64decode(image_b64) result ocr_captcha(image_bytes) # 输出结果到标准输出 sys.stdout.write(json.dumps({success: True, text: result})) except Exception as e: sys.stdout.write(json.dumps({success: False, error: str(e)})) sys.stdout.flush()然后在Burp插件的Java代码中我们需要实现调用这个Python脚本的逻辑。修改BurpExtender.java添加以下方法private void handleCaptchaImage(IHttpRequestResponse messageInfo) { IResponseInfo responseInfo helpers.analyzeResponse(messageInfo.getResponse()); byte[] responseBytes messageInfo.getResponse(); int bodyOffset responseInfo.getBodyOffset(); // 提取响应体图片数据 byte[] imageBytes Arrays.copyOfRange(responseBytes, bodyOffset, responseBytes.length); // 将图片数据Base64编码准备传递给Python脚本 String imageBase64 Base64.getEncoder().encodeToString(imageBytes); // 调用外部Python进程 String ocrResult callPythonOCR(imageBase64); if (ocrResult ! null !ocrResult.startsWith(OCR_ERROR)) { log(验证码识别成功: ocrResult); // 存储识别结果和对应的图片哈希或请求标识 lastCaptchaText ocrResult; lastCaptchaImageHash generateImageHash(imageBytes); // 简易哈希函数 // 可以更新UI显示 SwingUtilities.invokeLater(() - { // 在UI上显示识别结果 }); } else { log(验证码识别失败: ocrResult); } } private String callPythonOCR(String imageBase64) { String pythonScriptPath /path/to/your/ocr_engine.py; // 必须修改为实际路径 ProcessBuilder pb new ProcessBuilder(python3, pythonScriptPath); pb.redirectErrorStream(true); try { Process process pb.start(); // 向进程输入数据 try (BufferedWriter writer new BufferedWriter(new OutputStreamWriter(process.getOutputStream()))) { // 发送JSON格式数据 String inputJson {\image_b64\: \ imageBase64 \}; writer.write(inputJson); writer.flush(); } // 读取进程输出 StringBuilder output new StringBuilder(); try (BufferedReader reader new BufferedReader(new InputStreamReader(process.getInputStream()))) { String line; while ((line reader.readLine()) ! null) { output.append(line); } } int exitCode process.waitFor(); if (exitCode 0) { // 解析Python脚本返回的JSON String jsonOutput output.toString(); // 使用简单的JSON解析库例如org.json (需要添加依赖) // 这里为简化假设返回格式为 {success:true, text:ABC123} if (jsonOutput.contains(\success\:true)) { // 简单提取文本实际应用应使用JSON解析器 int textStart jsonOutput.indexOf(\text\:\) 8; int textEnd jsonOutput.indexOf(\, textStart); return jsonOutput.substring(textStart, textEnd); } } return OCR_ERROR: Process exited with code exitCode . Output: output; } catch (IOException | InterruptedException e) { return OCR_ERROR: e.getMessage(); } } private void autoFillCaptchaIfPossible(IHttpRequestResponse messageInfo, IParameter captchaParam) { if (lastCaptchaText ! null !lastCaptchaText.isEmpty()) { // 使用存储的验证码文本更新请求参数 byte[] originalRequest messageInfo.getRequest(); IRequestInfo analyzedReq helpers.analyzeRequest(originalRequest); // 构建新的参数列表 ListIParameter newParams new ArrayList(); for (IParameter p : analyzedReq.getParameters()) { if (p.getName().equals(captchaParam.getName())) { // 替换验证码参数的值 newParams.add(helpers.buildParameter(p.getName(), lastCaptchaText, p.getType())); } else { newParams.add(p); } } // 使用新的参数重新构建请求体 byte[] newRequestBody helpers.buildParameters(newParams); byte[] newRequest helpers.buildHttpMessage(analyzedReq.getHeaders(), newRequestBody); // 更新原始消息 messageInfo.setRequest(newRequest); log(已自动填充验证码: lastCaptchaText 到参数 captchaParam.getName()); // 清空存储避免重复使用 lastCaptchaText null; lastCaptchaImageHash null; } }3.4 插件UI增强与配置管理一个完整的插件还需要一个友好的界面来展示日志、控制开关、配置参数。我们可以扩展之前的UI添加以下功能日志面板已经实现用于显示插件运行状态、识别结果和错误信息。配置面板Python脚本路径让用户指定ocr_engine.py的绝对路径。Tesseract命令路径如果Python脚本需要或者直接在插件中配置Tesseract路径。触发规则允许用户自定义哪些URL或Content-Type触发识别。参数名规则自定义哪些请求参数名会被视为验证码字段。预处理开关允许用户启用/禁用某些预处理步骤如二值化、降噪并调整参数如阈值、滤波核大小。手动操作区“测试识别”按钮允许用户从Burp的响应中手动选择一张图片点击按钮进行识别测试实时查看预处理效果和识别结果。“复制结果”按钮一键复制识别出的验证码到剪贴板。“自动填充”开关控制插件是否自动修改请求。这部分涉及大量Swing UI代码核心是创建各种JTextField、JCheckBox、JButton并将它们的值保存到插件的配置对象中可以使用callbacks.saveExtensionSetting和callbacks.loadExtensionSetting进行持久化。UI的完善可以极大提升插件的易用性。4. 图像预处理策略深度优化直接调用Tesseract识别原始验证码图片成功率可能不足50%。预处理是提升识别率的关键。我们需要根据常见的验证码类型设计针对性的预处理流水线。4.1 常见验证码类型与应对策略简单数字/字母无干扰或轻微噪声策略二值化 轻微降噪即可。重点在于找到最佳的二值化阈值。可以尝试全局阈值cv2.threshold和自适应阈值cv2.adaptiveThreshold后者通常效果更好。技巧如果字符颜色与背景对比明显但颜色不定可以先转换到HSV或LAB颜色空间对特定通道进行阈值分割。带有干扰线/点的验证码策略降噪是核心。中值滤波cv2.medianBlur对椒盐噪声和细线非常有效。形态学操作开运算可以去除比结构元小的白色噪声点。技巧如果干扰线是彩色的而文字是黑色的可以尝试先提取黑色通道或使用颜色过滤。字符粘连或扭曲的验证码策略这是最难处理的情况之一。轻微的粘连可以通过形态学腐蚀cv2.erode尝试分离但可能损伤字符本身。更好的方法是调整Tesseract的--psm页面分割模式。对于单个扭曲的单词可以尝试--psm 8单字或--psm 13原始行。技巧如果背景复杂尝试使用边缘检测如Canny先找出文字轮廓再填充轮廓生成二值图像。背景复杂或有渐变色的验证码策略需要更高级的分割技术。可以尝试大津法Otsu‘s Binarization自动计算最佳全局阈值。局部自适应阈值如前所述cv2.adaptiveThreshold能处理光照不均。背景估计与减除如果背景变化缓慢可以用大核进行形态学开运算先腐蚀再膨胀来估计背景然后用原图减去背景图。4.2 构建可配置的预处理管道我们可以将预处理步骤模块化允许用户通过UI动态组合和调整。在Python脚本中可以设计一个配置对象class PreprocessConfig: def __init__(self): self.grayscale True self.denoise_method median # median, gaussian, bilateral, none self.denoise_kernel 3 self.binarize_method adaptive # global, adaptive, otsu self.binarize_block_size 11 self.binarize_c 2 self.morph_ops [] # e.g., [(open, 2), (close, 2)] self.whitelist 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ self.psm 8 def preprocess_image_with_config(image_data, config): img cv2.imdecode(np.frombuffer(image_data, np.uint8), cv2.IMREAD_COLOR) if config.grayscale: img cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) if config.denoise_method median: img cv2.medianBlur(img, config.denoise_kernel) elif config.denoise_method gaussian: img cv2.GaussianBlur(img, (config.denoise_kernel, config.denoise_kernel), 0) # ... 其他降噪方法 if config.binarize_method adaptive: img cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, config.binarize_block_size, config.binarize_c) # ... 其他二值化方法 for op, kernel_size in config.morph_ops: kernel np.ones((kernel_size, kernel_size), np.uint8) if op open: img cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) elif op close: img cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) return imgBurp插件的UI可以生成这个配置的JSON并传递给Python脚本。这样测试人员可以针对不同的目标系统保存多套预处理配置实现“一键切换”。4.3 效果评估与迭代调优没有一套参数能通吃所有验证码。因此插件需要提供一个“训练模式”或“调试面板”。实时预览在UI中当用户从历史记录中选择一个包含验证码的响应时插件可以加载图片并应用当前的预处理配置实时显示预处理后的效果图。手动标注与反馈当自动识别错误时用户可以在UI中输入正确的验证码。插件可以记录下“原始图片-正确文本”这对数据保存到本地数据集。批量测试用户可以导入一批保存的验证码图片和对应正确文本让插件用当前配置批量识别并计算准确率。这能科学地评估预处理策略和参数的有效性。参数网格搜索高级对于追求极致效果的用户可以设计一个简单的自动化脚本对关键参数如二值化块大小、C值、形态学核大小进行排列组合在小型测试集上跑一遍找出准确率最高的那组参数。5. 高级功能与实战应用场景5.1 与Burp Intruder的深度集成Burp Intruder是进行暴力破解和模糊测试的利器。我们的插件可以与其无缝集成实现验证码的“随用随填”。作为Intruder的Payload Processor我们可以开发一个IIntruderPayloadProcessor当Intruder发起攻击时对于每一个请求Payload处理器自动调用OCR引擎识别最新的验证码图片需要插件能记住会话中最后一个验证码的地址或标识并将识别结果插入到Payload的指定位置。这要求插件能维护一个简单的会话状态。在Intruder攻击前捕获验证码更常见的模式是先手动在浏览器或Repeater中完成一次登录流程让插件捕获到验证码图片和对应的会话Cookie。然后在Intruder中配置Payload时将验证码参数设置为“从扩展生成的列表”或“递归搜索”这需要更复杂的插件逻辑。插件则根据会话为每一次攻击迭代生成或复用验证码。处理动态变化的验证码有些系统每次请求验证码URL都会变化。插件需要能够解析HTML自动从页面中提取验证码图片的URL可能是相对路径需要拼接并自动请求该URL获取图片进行识别。这需要实现一个简单的HTML解析器或使用jsoup等库来查找img src...标签。5.2 会话管理与上下文关联在真实的Web应用中验证码通常与一个会话Session绑定。识别出的验证码只能用于同一个会话的提交请求。插件需要具备基本的会话管理能力。Cookie关联当插件从一个响应中识别验证码时应同时记录该响应中的Set-Cookie头部信息或整个Cookie Jar状态。当需要填充验证码到请求时必须确保请求携带了正确的Cookie。插件可以自动从Burp的Cookie Jar中获取或维护自己的简易会话映射。Token/ID关联有些验证码会附带一个captcha_id或token在表单中提交时需要一并发送。插件在提取图片时也需要从周围的HTML中解析出这个ID并在后续回填时将ID和识别出的文本一起填充。5.3 错误处理与重试机制网络请求和OCR识别充满不确定性健壮的插件必须有完善的错误处理。OCR识别失败返回空字符串、乱码或置信度极低时应视为失败。插件可以记录日志在UI中高亮显示失败记录。触发重试自动使用不同的预处理参数如调整阈值重新识别一次。降级处理提示用户手动识别并提供一键将图片复制到剪贴板或弹出放大窗口的功能。网络或进程错误调用Python脚本可能因路径错误、依赖缺失、权限问题而失败。插件应捕获这些异常并在UI中给出清晰的错误提示例如“无法启动OCR引擎请检查Python路径和依赖”。验证码过期如果提交识别出的验证码后服务器返回“验证码错误”或“验证码已过期”插件应能解析这个响应并自动触发重新获取和识别新验证码的流程。这需要插件能识别特定的HTTP响应模式。6. 常见问题排查与性能优化在实际使用中你会遇到各种各样的问题。下面是一些典型问题及其解决思路。6.1 识别准确率低这是最常见的问题。症状识别出的文本牛头不对马嘴或完全为空。排查步骤检查原始图片首先在Burp的Response中查看原始图片是否清晰可辨。如果人眼都难以识别OCR就更难了。检查预处理效果使用插件的“测试识别”或“预览”功能查看预处理后的二值图像。文字是否清晰连贯背景噪声是否被有效去除字符是否断裂或粘连调整预处理参数如果文字太细或断裂尝试减小二值化的阈值或调整自适应阈值的C值使其更敏感或者避免使用腐蚀操作。如果背景噪声多尝试增加降噪滤波器的核大小或添加形态学开运算。如果字符粘连尝试轻微的腐蚀或调整Tesseract的--psm为7单行文本或8单个单词。检查Tesseract语言包和白名单确保安装了正确的语言数据如eng。如果验证码只包含数字将白名单设置为0123456789可以大幅提升准确率。尝试不同的OCR引擎如果Tesseract始终不理想可以考虑集成其他开源引擎如EasyOCR基于深度学习对复杂场景效果更好但体积和耗时更大作为备选方案。6.2 插件导致Burp卡顿或无响应症状开启插件后Burp流量经过速度变慢甚至界面卡死。原因与解决同步阻塞调用在processHttpMessage中直接进行耗时的图像处理和OCR调用会阻塞Burp的主事件线程。必须将OCR识别任务放到单独的线程Thread或使用线程池中执行。频繁处理大图片如果每个图片都进行全流程处理流量大时会消耗大量CPU和内存。可以添加过滤条件只处理特定URL或大小的图片。Python进程启动开销每次识别都启动一个新的Python进程开销巨大。可以改为常驻进程模式插件启动时启动一个Python子进程并通过标准输入输出stdin/stdout或本地Socket与之保持长期通信避免反复创建销毁进程。6.3 无法触发识别或自动填充症状验证码图片出现了但插件没反应或者识别成功了但请求参数没有被修改。排查步骤检查触发规则确认验证码图片的URL或响应Content-Type是否在插件的监听范围内。有些验证码可能是动态生成的data:image/png;base64,...格式嵌入在HTML或JS中这种情况需要解析HTML响应体。检查请求匹配规则确认需要填充的请求参数名如captcha、vcode是否在插件的识别列表中。有些系统参数名可能是动态的或经过混淆。检查会话上下文验证码识别和请求填充是否发生在同一个Burp“站点”同一域名和同一个“会话”中插件可能错误地关联了不同标签页或不同域的请求/响应。查看插件日志日志中是否记录了“发现图片响应”和“发现需要验证码的请求”如果没有说明监听逻辑有问题。如果有记录但没填充检查autoFillCaptchaIfPossible方法中的逻辑特别是lastCaptchaText是否在正确的时间被设置和清空。6.4 性能优化实践图像尺寸缩放验证码图片通常很小如200x80像素。如果收到大图可以先按比例缩放至一个合理的最大宽度如400像素再进行后续处理能显著减少处理时间。缓存机制对于短时间内同一URL返回的相同验证码可能由于页面刷新可以计算图片的哈希值如MD5将识别结果缓存一段时间如5秒避免重复识别。并行处理如果使用线程池可以同时处理多个图片识别任务但要注意线程安全和对Burp API的调用。选择性处理在代理历史记录中可能有很多图片如图标、logo。插件应优先处理那些来自登录、注册、密码找回等关键URL的图片可以通过配置URL关键词列表来实现。开发这样一个插件的过程本身就是一次对HTTP协议、图像处理、安全测试工具链的深度实践。它不会总是成功但对于那些防护薄弱的系统它能成为穿透防线的有效利器。更重要的是通过构建它你将对验证码的生成、传输、验证逻辑有更透彻的理解这在寻找验证码逻辑漏洞如不失效、可重复使用、客户端校验等时会带来意想不到的视角优势。
1. 项目概述当安全测试遇上图片验证码在渗透测试和Web应用安全评估的日常工作中图片验证码CAPTCHA常常是自动化工具面前的一道“叹息之墙”。无论是进行暴力破解、撞库攻击测试还是自动化爬取敏感数据一个设计得当的验证码就能让脚本瞬间哑火。传统的应对方式要么是手动识别效率低下且枯燥要么是寻找验证码逻辑漏洞但这并非每次都能奏效。于是一个将开源OCR光学字符识别技术与Burp Suite这款安全测试“瑞士军刀”相结合的想法便应运而生。这个实战项目的核心就是打造一个能够集成到Burp Suite工作流中的插件让它能自动识别请求中的图片验证码并将识别结果填充回请求中从而实现测试流程的半自动化甚至全自动化。这不仅仅是写几行代码调用一个API那么简单。它涉及到对HTTP请求/响应流的深度理解、对Burp Extender API的熟练运用、对OCR引擎的调优以及一套健壮的错误处理和重试机制。整个过程就像是为Burp Suite安装了一个“智能眼睛”和“机械手”让它能看懂图片里的文字并替我们完成重复的填充动作。无论是数字、字母混合的简单验证码还是一些经过轻微干扰的复杂类型通过合理的预处理和模型选择我们都有可能实现较高的识别成功率从而将安全测试人员从重复劳动中解放出来专注于更复杂的逻辑漏洞挖掘。2. 核心思路与技术选型解析2.1 为什么选择“Burp插件 开源OCR”这条路径面对验证码通常有几种思路一是利用第三方打码平台API优点是准确率高、省心但会产生持续费用且在某些内网或保密要求高的测试场景中将数据发送到外部平台存在安全合规风险。二是训练专用的深度学习模型这能获得针对特定验证码的最佳效果但需要大量的标注数据、较强的算法知识和训练成本对于快速响应、临时性的测试任务来说过于笨重。因此“Burp插件 开源OCR”的组合成了一种平衡性极强的方案。首先Burp Suite是安全测试的事实标准其强大的代理、重放、扫描功能与可扩展的插件体系为集成验证码识别提供了完美的舞台。插件可以直接操作经过Burp的HTTP流量无缝嵌入现有工作流。其次选择开源OCR引擎如Tesseract意味着零成本、可离线运行、完全自主可控。虽然其开箱即用的准确率可能不及商业API或专用模型但通过图像预处理、参数调优和字典限制我们完全可以在特定类型的验证码上达到实用级的识别率。这条路径的核心优势在于自主、可控、可定制、零持续成本非常适合安全研究人员和渗透测试工程师。2.2 核心组件与工作流程设计整个系统的架构可以清晰地分为三个层次流量拦截层、图像处理与识别层、结果回填层。流量拦截层 (Burp Plugin)这是整个系统的“大脑”和“调度中心”。我们需要编写一个Burp插件通常使用Java或Python通过Jython或JPython集成。该插件需要实现IHttpListener接口监听经过Burp的每一个HTTP请求和响应。其核心职责是检测验证码请求通过URL特征、响应Content-Type(image/jpeg,image/png)或HTML中的特定标签判断当前响应是否包含了一个需要识别的验证码图片。提取图像数据从HTTP响应体中提取出二进制的图片数据。调用识别层将图片数据传递给OCR识别引擎。回填识别结果获取OCR返回的文本后根据规则如查找请求中的captcha、code等参数名定位到需要修改的请求参数并用识别结果替换其值最后将修改后的请求发送出去或提供给测试者使用。图像处理与识别层 (OCR Engine)这是系统的“眼睛”。我们选用Tesseract OCR作为核心引擎。但原始验证码图片往往带有噪声、干扰线、扭曲、背景色块等直接丢给Tesseract识别率会很低。因此一个关键的预处理管道必不可少二值化将彩色或灰度图转为黑白图区分前景文字和背景。常用方法有全局阈值、自适应阈值如OpenCV的cv2.adaptiveThreshold。降噪去除孤立的像素点、细小的干扰线。可以使用中值滤波、形态学操作如开运算、闭运算。字符分割可选对于字符粘连严重的验证码可能需要尝试投影法、连通域分析等方法进行分割再分别识别但这会大大增加复杂度。通常优先调优Tesseract的--psm页面分割模式参数来应对。调用Tesseract通过命令行或pytesseract等库调用Tesseract并指定语言包如eng、PSM模式对于单行验证码--psm 7或--psm 8很常用和白名单如--oem 3 --psm 8 -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ。结果回填层 (Integration Logic)这是系统的“手”。识别出文本后需要智能地填充到后续的请求中。插件需要维护一个简单的上下文记住哪个验证码图片对应哪个即将发出的请求通常是下一个包含特定参数的POST请求。回填策略可以是自动的插件自动修改并转发请求也可以是手动的将识别结果展示在Burp界面由测试者确认后手动粘贴。2.3 技术栈选型详述Burp插件开发语言首选Java。因为Burp Suite本身是Java编写的使用Java开发插件兼容性最好性能最优可以直接使用Burp提供的完整API。另一种选择是Python通过Jython桥接虽然灵活但在处理复杂Burp API和性能上可能稍逊一筹。API关键接口包括IHttpListener监听HTTP流量、ITab创建自定义UI标签页、IContextMenuFactory创建右键菜单等。我们需要重点研究IHttpListener的processHttpMessage方法它能捕获所有经过代理的请求和响应。开发环境建议使用IntelliJ IDEA或Eclipse配置好Burp Extender API的JAR包作为依赖。OCR引擎Tesseract OCR开源OCR的标杆由Google维护。识别英文和数字效果较好对中文等语言需要额外训练数据。它支持多种输出格式并且可以通过命令行参数进行精细控制。预处理库OpenCV (Open Source Computer Vision Library)是不二之选。它提供了极其丰富的图像处理函数从简单的裁剪、缩放、到复杂的滤波、形态学操作、轮廓检测足以应对绝大多数验证码的预处理需求。通常使用其Python接口cv2或Java接口进行开发。部署与集成插件需要将Tesseract引擎和OpenCV库打包或依赖其系统安装。一种可靠的方式是要求用户在系统路径中安装好Tesseract插件通过调用命令行来使用它。OpenCV库则可以打包进插件的JAR文件中对于Java或确保Python环境已安装。注意此方案主要针对安全性较弱的验证码。它利用了验证码本身可能存在的识别漏洞。对于使用了强干扰、动态行为验证如滑动拼图、点选文字、深度学习模型的现代验证码如极验、腾讯验证码此方案成功率极低。它的适用场景是内部系统、老旧系统或开发者自制的简单验证码的辅助测试。3. 实战环境搭建与核心代码实现3.1 基础环境准备工欲善其事必先利其器。首先我们需要在本地搭建好所有必要的开发与运行环境。安装Burp Suite Professional确保你拥有Burp Suite专业版社区版对插件开发的支持有限。从PortSwigger官网下载并激活。安装Java开发环境 (JDK)建议安装JDK 8或11与Burp兼容性较好。配置好JAVA_HOME环境变量。安装Tesseract OCRWindows从GitHub上的UB-Mannheim项目下载Tesseract安装程序。安装时记得勾选“将Tesseract添加到系统路径”。同时下载所需的语言数据包如eng.traineddata放入Tesseract安装目录的tessdata文件夹中。macOS使用Homebrew安装最为简便brew install tesseract。Linux使用包管理器安装例如Ubuntu/Debiansudo apt install tesseract-ocr以及sudo apt install libtesseract-dev。安装后在命令行输入tesseract --version确认安装成功。安装OpenCV如果使用Java开发需要将OpenCV的Java库.jar和.dll/.so/.dylib添加到项目依赖中。如果使用Python通过Jython则使用pip安装pip install opencv-python-headlessheadless版本适用于无GUI的服务器环境。配置开发工具以IntelliJ IDEA为例创建一个新的Java项目。将Burp Suite启动时加载的burpsuite_pro.jar位于Burp安装目录作为库文件添加到项目的依赖中。这个JAR包包含了所有Burp Extender API。3.2 Burp插件骨架与HTTP监听器实现首先我们创建一个基本的Burp插件类并实现核心的IHttpListener接口。package com.example.burp.ocrplugin; import burp.*; import java.awt.*; import java.io.IOException; import java.util.ArrayList; import java.util.List; // 必须实现IBurpExtender接口这是所有Burp插件的入口 public class BurpExtender implements IBurpExtender, IHttpListener, ITab { private IBurpExtenderCallbacks callbacks; private IExtensionHelpers helpers; private PrintWriter stdout; private PrintWriter stderr; // 自定义UI组件后续可扩展 private JPanel mainPanel; private JTextArea logArea; // 用于存储上下文信息如图片ID与对应请求的关系 private String lastCaptchaImageHash; private IHttpRequestResponse lastRequestRequiringCaptcha; Override public void registerExtenderCallbacks(final IBurpExtenderCallbacks callbacks) { this.callbacks callbacks; this.helpers callbacks.getHelpers(); this.stdout new PrintWriter(callbacks.getStdout(), true); this.stderr new PrintWriter(callbacks.getStderr(), true); // 设置插件名称 callbacks.setExtensionName(OCR Captcha Cracker); // 注册HTTP监听器 callbacks.registerHttpListener(this); // 初始化UI简化版 SwingUtilities.invokeLater(new Runnable() { Override public void run() { initializeUI(); callbacks.addSuiteTab(BurpExtender.this); } }); stdout.println(OCR Captcha Cracker Plugin Loaded Successfully!); } private void initializeUI() { mainPanel new JPanel(new BorderLayout()); logArea new JTextArea(20, 60); logArea.setEditable(false); JScrollPane scrollPane new JScrollPane(logArea); mainPanel.add(scrollPane, BorderLayout.CENTER); // 可以添加按钮、配置面板等 } Override public Component getUiComponent() { return mainPanel; } // 核心方法处理每一个经过Burp的HTTP消息 Override public void processHttpMessage(int toolFlag, boolean messageIsRequest, IHttpRequestResponse messageInfo) { // 只处理从Proxy、Repeater、Intruder等工具来的消息 if (toolFlag ! IBurpExtenderCallbacks.TOOL_PROXY toolFlag ! IBurpExtenderCallbacks.TOOL_REPEATER toolFlag ! IBurpExtenderCallbacks.TOOL_INTRUDER) { return; } if (!messageIsRequest) { // 这是一个HTTP响应 processHttpResponse(toolFlag, messageInfo); } else { // 这是一个HTTP请求在发送前 processHttpRequest(toolFlag, messageInfo); } } private void processHttpResponse(int toolFlag, IHttpRequestResponse messageInfo) { IResponseInfo responseInfo helpers.analyzeResponse(messageInfo.getResponse()); ListString headers responseInfo.getHeaders(); // 检查响应头判断是否为图片 for (String header : headers) { if (header.toLowerCase().startsWith(content-type: image/)) { // 发现图片响应记录下这个响应并尝试识别 log(发现图片响应URL: helpers.analyzeRequest(messageInfo).getUrl().toString()); handleCaptchaImage(messageInfo); break; } } // 也可以检查响应体内容或URL路径中是否包含captcha, code, verify等关键词 } private void processHttpRequest(int toolFlag, IHttpRequestResponse messageInfo) { // 检查即将发出的请求看它是否需要验证码参数 // 这里是一个简单的示例查找请求参数中是否有captcha或verificationCode IRequestInfo requestInfo helpers.analyzeRequest(messageInfo); ListIParameter params requestInfo.getParameters(); for (IParameter param : params) { if (param.getName().toLowerCase().contains(captcha) || param.getName().toLowerCase().contains(verify) || param.getName().toLowerCase().contains(code)) { log(发现需要验证码的请求参数名: param.getName()); // 将当前请求标记为“待填充验证码的请求” lastRequestRequiringCaptcha messageInfo; // 可以在这里尝试自动填充之前识别到的验证码 autoFillCaptchaIfPossible(messageInfo, param); break; } } } private void log(String message) { logArea.append(message \n); stdout.println([OCR Plugin] message); } // ... 后续将实现 handleCaptchaImage 和 autoFillCaptchaIfPossible 方法 }这段代码搭建了插件的基本框架。它注册了HTTP监听器能够拦截所有请求和响应。当发现图片类型的响应时会触发handleCaptchaImage方法当发现包含验证码参数的请求时会触发autoFillCaptchaIfPossible方法。接下来我们将实现最关键的图像处理和OCR识别部分。3.3 图像预处理与OCR识别引擎集成我们需要在插件中集成图像处理逻辑。由于在Java中直接进行复杂的图像处理较为繁琐一个常见的做法是通过命令行调用外部Python脚本来完成预处理和OCR识别。这样可以利用Python在数据科学和图像处理领域的丰富生态如OpenCV, PIL, pytesseract。插件负责提取图像数据并传递给Python脚本然后接收识别结果。首先创建一个Python脚本ocr_engine.py#!/usr/bin/env python3 import sys import cv2 import numpy as np import pytesseract from PIL import Image import base64 import json import tempfile import os def preprocess_image(image_data): 对验证码图片进行预处理 :param image_data: 二进制图片数据 :return: 预处理后的二值化图像 (OpenCV格式) # 将二进制数据转换为numpy数组 nparr np.frombuffer(image_data, np.uint8) img cv2.imdecode(nparr, cv2.IMREAD_COLOR) if img is None: raise ValueError(无法解码图像数据) # 1. 转为灰度图 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2. 应用自适应阈值二值化比全局阈值更能应对光照不均 # 参数灰度图最大阈值自适应方法阈值类型块大小常数C binary cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 3. 降噪使用中值滤波去除椒盐噪声 denoised cv2.medianBlur(binary, 3) # 4. 形态学操作开运算先腐蚀再膨胀去除细小白点噪声 # 闭运算先膨胀再腐蚀填充小黑洞字符内部 kernel np.ones((2, 2), np.uint8) opened cv2.morphologyEx(denoised, cv2.MORPH_OPEN, kernel) closed cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel) # 可选如果背景是深色文字是浅色需要反转 # 统计像素如果黑色0像素远多于白色255像素说明背景是黑色需要反转 # if np.sum(closed 0) np.sum(closed 255): # closed cv2.bitwise_not(closed) return closed def ocr_captcha(image_data): 主识别函数 :param image_data: 二进制图片数据 :return: 识别出的文本字符串 try: processed_img preprocess_image(image_data) # 配置Tesseract参数 # --psm 8: 将图像视为单个单词 # --oem 3: 默认OCR引擎模式 # -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ: 只识别数字和大写字母 custom_config r--oem 3 --psm 8 -c tessedit_char_whitelist0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ # 使用pytesseract进行OCR text pytesseract.image_to_string(processed_img, configcustom_config) # 清理识别结果去除空格、换行等无关字符 cleaned_text .join(ch for ch in text if ch.isalnum()) return cleaned_text except Exception as e: return fOCR_ERROR: {str(e)} if __name__ __main__: # 从标准输入读取Base64编码的图片数据Burp插件传递过来 input_data sys.stdin.buffer.read() try: # 期望输入是JSON格式{image_b64: ...} input_json json.loads(input_data.decode(utf-8)) image_b64 input_json.get(image_b64, ) if not image_b64: # 如果不是JSON假设整个输入就是base64字符串简化处理 image_b64 input_data.decode(utf-8).strip() image_bytes base64.b64decode(image_b64) result ocr_captcha(image_bytes) # 输出结果到标准输出 sys.stdout.write(json.dumps({success: True, text: result})) except Exception as e: sys.stdout.write(json.dumps({success: False, error: str(e)})) sys.stdout.flush()然后在Burp插件的Java代码中我们需要实现调用这个Python脚本的逻辑。修改BurpExtender.java添加以下方法private void handleCaptchaImage(IHttpRequestResponse messageInfo) { IResponseInfo responseInfo helpers.analyzeResponse(messageInfo.getResponse()); byte[] responseBytes messageInfo.getResponse(); int bodyOffset responseInfo.getBodyOffset(); // 提取响应体图片数据 byte[] imageBytes Arrays.copyOfRange(responseBytes, bodyOffset, responseBytes.length); // 将图片数据Base64编码准备传递给Python脚本 String imageBase64 Base64.getEncoder().encodeToString(imageBytes); // 调用外部Python进程 String ocrResult callPythonOCR(imageBase64); if (ocrResult ! null !ocrResult.startsWith(OCR_ERROR)) { log(验证码识别成功: ocrResult); // 存储识别结果和对应的图片哈希或请求标识 lastCaptchaText ocrResult; lastCaptchaImageHash generateImageHash(imageBytes); // 简易哈希函数 // 可以更新UI显示 SwingUtilities.invokeLater(() - { // 在UI上显示识别结果 }); } else { log(验证码识别失败: ocrResult); } } private String callPythonOCR(String imageBase64) { String pythonScriptPath /path/to/your/ocr_engine.py; // 必须修改为实际路径 ProcessBuilder pb new ProcessBuilder(python3, pythonScriptPath); pb.redirectErrorStream(true); try { Process process pb.start(); // 向进程输入数据 try (BufferedWriter writer new BufferedWriter(new OutputStreamWriter(process.getOutputStream()))) { // 发送JSON格式数据 String inputJson {\image_b64\: \ imageBase64 \}; writer.write(inputJson); writer.flush(); } // 读取进程输出 StringBuilder output new StringBuilder(); try (BufferedReader reader new BufferedReader(new InputStreamReader(process.getInputStream()))) { String line; while ((line reader.readLine()) ! null) { output.append(line); } } int exitCode process.waitFor(); if (exitCode 0) { // 解析Python脚本返回的JSON String jsonOutput output.toString(); // 使用简单的JSON解析库例如org.json (需要添加依赖) // 这里为简化假设返回格式为 {success:true, text:ABC123} if (jsonOutput.contains(\success\:true)) { // 简单提取文本实际应用应使用JSON解析器 int textStart jsonOutput.indexOf(\text\:\) 8; int textEnd jsonOutput.indexOf(\, textStart); return jsonOutput.substring(textStart, textEnd); } } return OCR_ERROR: Process exited with code exitCode . Output: output; } catch (IOException | InterruptedException e) { return OCR_ERROR: e.getMessage(); } } private void autoFillCaptchaIfPossible(IHttpRequestResponse messageInfo, IParameter captchaParam) { if (lastCaptchaText ! null !lastCaptchaText.isEmpty()) { // 使用存储的验证码文本更新请求参数 byte[] originalRequest messageInfo.getRequest(); IRequestInfo analyzedReq helpers.analyzeRequest(originalRequest); // 构建新的参数列表 ListIParameter newParams new ArrayList(); for (IParameter p : analyzedReq.getParameters()) { if (p.getName().equals(captchaParam.getName())) { // 替换验证码参数的值 newParams.add(helpers.buildParameter(p.getName(), lastCaptchaText, p.getType())); } else { newParams.add(p); } } // 使用新的参数重新构建请求体 byte[] newRequestBody helpers.buildParameters(newParams); byte[] newRequest helpers.buildHttpMessage(analyzedReq.getHeaders(), newRequestBody); // 更新原始消息 messageInfo.setRequest(newRequest); log(已自动填充验证码: lastCaptchaText 到参数 captchaParam.getName()); // 清空存储避免重复使用 lastCaptchaText null; lastCaptchaImageHash null; } }3.4 插件UI增强与配置管理一个完整的插件还需要一个友好的界面来展示日志、控制开关、配置参数。我们可以扩展之前的UI添加以下功能日志面板已经实现用于显示插件运行状态、识别结果和错误信息。配置面板Python脚本路径让用户指定ocr_engine.py的绝对路径。Tesseract命令路径如果Python脚本需要或者直接在插件中配置Tesseract路径。触发规则允许用户自定义哪些URL或Content-Type触发识别。参数名规则自定义哪些请求参数名会被视为验证码字段。预处理开关允许用户启用/禁用某些预处理步骤如二值化、降噪并调整参数如阈值、滤波核大小。手动操作区“测试识别”按钮允许用户从Burp的响应中手动选择一张图片点击按钮进行识别测试实时查看预处理效果和识别结果。“复制结果”按钮一键复制识别出的验证码到剪贴板。“自动填充”开关控制插件是否自动修改请求。这部分涉及大量Swing UI代码核心是创建各种JTextField、JCheckBox、JButton并将它们的值保存到插件的配置对象中可以使用callbacks.saveExtensionSetting和callbacks.loadExtensionSetting进行持久化。UI的完善可以极大提升插件的易用性。4. 图像预处理策略深度优化直接调用Tesseract识别原始验证码图片成功率可能不足50%。预处理是提升识别率的关键。我们需要根据常见的验证码类型设计针对性的预处理流水线。4.1 常见验证码类型与应对策略简单数字/字母无干扰或轻微噪声策略二值化 轻微降噪即可。重点在于找到最佳的二值化阈值。可以尝试全局阈值cv2.threshold和自适应阈值cv2.adaptiveThreshold后者通常效果更好。技巧如果字符颜色与背景对比明显但颜色不定可以先转换到HSV或LAB颜色空间对特定通道进行阈值分割。带有干扰线/点的验证码策略降噪是核心。中值滤波cv2.medianBlur对椒盐噪声和细线非常有效。形态学操作开运算可以去除比结构元小的白色噪声点。技巧如果干扰线是彩色的而文字是黑色的可以尝试先提取黑色通道或使用颜色过滤。字符粘连或扭曲的验证码策略这是最难处理的情况之一。轻微的粘连可以通过形态学腐蚀cv2.erode尝试分离但可能损伤字符本身。更好的方法是调整Tesseract的--psm页面分割模式。对于单个扭曲的单词可以尝试--psm 8单字或--psm 13原始行。技巧如果背景复杂尝试使用边缘检测如Canny先找出文字轮廓再填充轮廓生成二值图像。背景复杂或有渐变色的验证码策略需要更高级的分割技术。可以尝试大津法Otsu‘s Binarization自动计算最佳全局阈值。局部自适应阈值如前所述cv2.adaptiveThreshold能处理光照不均。背景估计与减除如果背景变化缓慢可以用大核进行形态学开运算先腐蚀再膨胀来估计背景然后用原图减去背景图。4.2 构建可配置的预处理管道我们可以将预处理步骤模块化允许用户通过UI动态组合和调整。在Python脚本中可以设计一个配置对象class PreprocessConfig: def __init__(self): self.grayscale True self.denoise_method median # median, gaussian, bilateral, none self.denoise_kernel 3 self.binarize_method adaptive # global, adaptive, otsu self.binarize_block_size 11 self.binarize_c 2 self.morph_ops [] # e.g., [(open, 2), (close, 2)] self.whitelist 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ self.psm 8 def preprocess_image_with_config(image_data, config): img cv2.imdecode(np.frombuffer(image_data, np.uint8), cv2.IMREAD_COLOR) if config.grayscale: img cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) if config.denoise_method median: img cv2.medianBlur(img, config.denoise_kernel) elif config.denoise_method gaussian: img cv2.GaussianBlur(img, (config.denoise_kernel, config.denoise_kernel), 0) # ... 其他降噪方法 if config.binarize_method adaptive: img cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, config.binarize_block_size, config.binarize_c) # ... 其他二值化方法 for op, kernel_size in config.morph_ops: kernel np.ones((kernel_size, kernel_size), np.uint8) if op open: img cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) elif op close: img cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel) return imgBurp插件的UI可以生成这个配置的JSON并传递给Python脚本。这样测试人员可以针对不同的目标系统保存多套预处理配置实现“一键切换”。4.3 效果评估与迭代调优没有一套参数能通吃所有验证码。因此插件需要提供一个“训练模式”或“调试面板”。实时预览在UI中当用户从历史记录中选择一个包含验证码的响应时插件可以加载图片并应用当前的预处理配置实时显示预处理后的效果图。手动标注与反馈当自动识别错误时用户可以在UI中输入正确的验证码。插件可以记录下“原始图片-正确文本”这对数据保存到本地数据集。批量测试用户可以导入一批保存的验证码图片和对应正确文本让插件用当前配置批量识别并计算准确率。这能科学地评估预处理策略和参数的有效性。参数网格搜索高级对于追求极致效果的用户可以设计一个简单的自动化脚本对关键参数如二值化块大小、C值、形态学核大小进行排列组合在小型测试集上跑一遍找出准确率最高的那组参数。5. 高级功能与实战应用场景5.1 与Burp Intruder的深度集成Burp Intruder是进行暴力破解和模糊测试的利器。我们的插件可以与其无缝集成实现验证码的“随用随填”。作为Intruder的Payload Processor我们可以开发一个IIntruderPayloadProcessor当Intruder发起攻击时对于每一个请求Payload处理器自动调用OCR引擎识别最新的验证码图片需要插件能记住会话中最后一个验证码的地址或标识并将识别结果插入到Payload的指定位置。这要求插件能维护一个简单的会话状态。在Intruder攻击前捕获验证码更常见的模式是先手动在浏览器或Repeater中完成一次登录流程让插件捕获到验证码图片和对应的会话Cookie。然后在Intruder中配置Payload时将验证码参数设置为“从扩展生成的列表”或“递归搜索”这需要更复杂的插件逻辑。插件则根据会话为每一次攻击迭代生成或复用验证码。处理动态变化的验证码有些系统每次请求验证码URL都会变化。插件需要能够解析HTML自动从页面中提取验证码图片的URL可能是相对路径需要拼接并自动请求该URL获取图片进行识别。这需要实现一个简单的HTML解析器或使用jsoup等库来查找img src...标签。5.2 会话管理与上下文关联在真实的Web应用中验证码通常与一个会话Session绑定。识别出的验证码只能用于同一个会话的提交请求。插件需要具备基本的会话管理能力。Cookie关联当插件从一个响应中识别验证码时应同时记录该响应中的Set-Cookie头部信息或整个Cookie Jar状态。当需要填充验证码到请求时必须确保请求携带了正确的Cookie。插件可以自动从Burp的Cookie Jar中获取或维护自己的简易会话映射。Token/ID关联有些验证码会附带一个captcha_id或token在表单中提交时需要一并发送。插件在提取图片时也需要从周围的HTML中解析出这个ID并在后续回填时将ID和识别出的文本一起填充。5.3 错误处理与重试机制网络请求和OCR识别充满不确定性健壮的插件必须有完善的错误处理。OCR识别失败返回空字符串、乱码或置信度极低时应视为失败。插件可以记录日志在UI中高亮显示失败记录。触发重试自动使用不同的预处理参数如调整阈值重新识别一次。降级处理提示用户手动识别并提供一键将图片复制到剪贴板或弹出放大窗口的功能。网络或进程错误调用Python脚本可能因路径错误、依赖缺失、权限问题而失败。插件应捕获这些异常并在UI中给出清晰的错误提示例如“无法启动OCR引擎请检查Python路径和依赖”。验证码过期如果提交识别出的验证码后服务器返回“验证码错误”或“验证码已过期”插件应能解析这个响应并自动触发重新获取和识别新验证码的流程。这需要插件能识别特定的HTTP响应模式。6. 常见问题排查与性能优化在实际使用中你会遇到各种各样的问题。下面是一些典型问题及其解决思路。6.1 识别准确率低这是最常见的问题。症状识别出的文本牛头不对马嘴或完全为空。排查步骤检查原始图片首先在Burp的Response中查看原始图片是否清晰可辨。如果人眼都难以识别OCR就更难了。检查预处理效果使用插件的“测试识别”或“预览”功能查看预处理后的二值图像。文字是否清晰连贯背景噪声是否被有效去除字符是否断裂或粘连调整预处理参数如果文字太细或断裂尝试减小二值化的阈值或调整自适应阈值的C值使其更敏感或者避免使用腐蚀操作。如果背景噪声多尝试增加降噪滤波器的核大小或添加形态学开运算。如果字符粘连尝试轻微的腐蚀或调整Tesseract的--psm为7单行文本或8单个单词。检查Tesseract语言包和白名单确保安装了正确的语言数据如eng。如果验证码只包含数字将白名单设置为0123456789可以大幅提升准确率。尝试不同的OCR引擎如果Tesseract始终不理想可以考虑集成其他开源引擎如EasyOCR基于深度学习对复杂场景效果更好但体积和耗时更大作为备选方案。6.2 插件导致Burp卡顿或无响应症状开启插件后Burp流量经过速度变慢甚至界面卡死。原因与解决同步阻塞调用在processHttpMessage中直接进行耗时的图像处理和OCR调用会阻塞Burp的主事件线程。必须将OCR识别任务放到单独的线程Thread或使用线程池中执行。频繁处理大图片如果每个图片都进行全流程处理流量大时会消耗大量CPU和内存。可以添加过滤条件只处理特定URL或大小的图片。Python进程启动开销每次识别都启动一个新的Python进程开销巨大。可以改为常驻进程模式插件启动时启动一个Python子进程并通过标准输入输出stdin/stdout或本地Socket与之保持长期通信避免反复创建销毁进程。6.3 无法触发识别或自动填充症状验证码图片出现了但插件没反应或者识别成功了但请求参数没有被修改。排查步骤检查触发规则确认验证码图片的URL或响应Content-Type是否在插件的监听范围内。有些验证码可能是动态生成的data:image/png;base64,...格式嵌入在HTML或JS中这种情况需要解析HTML响应体。检查请求匹配规则确认需要填充的请求参数名如captcha、vcode是否在插件的识别列表中。有些系统参数名可能是动态的或经过混淆。检查会话上下文验证码识别和请求填充是否发生在同一个Burp“站点”同一域名和同一个“会话”中插件可能错误地关联了不同标签页或不同域的请求/响应。查看插件日志日志中是否记录了“发现图片响应”和“发现需要验证码的请求”如果没有说明监听逻辑有问题。如果有记录但没填充检查autoFillCaptchaIfPossible方法中的逻辑特别是lastCaptchaText是否在正确的时间被设置和清空。6.4 性能优化实践图像尺寸缩放验证码图片通常很小如200x80像素。如果收到大图可以先按比例缩放至一个合理的最大宽度如400像素再进行后续处理能显著减少处理时间。缓存机制对于短时间内同一URL返回的相同验证码可能由于页面刷新可以计算图片的哈希值如MD5将识别结果缓存一段时间如5秒避免重复识别。并行处理如果使用线程池可以同时处理多个图片识别任务但要注意线程安全和对Burp API的调用。选择性处理在代理历史记录中可能有很多图片如图标、logo。插件应优先处理那些来自登录、注册、密码找回等关键URL的图片可以通过配置URL关键词列表来实现。开发这样一个插件的过程本身就是一次对HTTP协议、图像处理、安全测试工具链的深度实践。它不会总是成功但对于那些防护薄弱的系统它能成为穿透防线的有效利器。更重要的是通过构建它你将对验证码的生成、传输、验证逻辑有更透彻的理解这在寻找验证码逻辑漏洞如不失效、可重复使用、客户端校验等时会带来意想不到的视角优势。
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
