EXIF数据隐藏的秘密:如何用Python批量提取照片拍摄信息(含GPS定位解析)

用Python批量提取无人机照片的EXIF信息(经纬度、高度、角度一键搞定) 本文详细介绍了如何使用Python批量提取无人机照片的EXIF信息,包括经纬度、高度和角度等关键数据。通过自动化脚本和多品牌无人机适配,大幅提升航拍数据处理效率,特别适合测绘工程师和无人机爱好者。文章还涵盖了环境配置、异常处理、性能优化等实用技巧,帮助用户一键生成专业测绘报告。 阅读详情

EXIF数据隐藏的秘密:如何用Python批量提取照片拍摄信息(含GPS定位解析)

你是否曾好奇,一张随手拍下的照片,除了图像本身,还藏着多少不为人知的故事?它可能记录了拍摄时的精确经纬度、相机型号、光圈快门参数,甚至是你未曾留意的拍摄时间。这些信息,都静静地躺在照片文件的EXIF数据里,等待着被读取和解读。对于需要处理海量用户上传图片的Web开发者,或是从图像中挖掘时空信息的数据分析师而言,掌握批量提取和解析EXIF的能力,无疑是为项目增添了一双洞察细节的眼睛。本文将带你深入EXIF的二进制世界,绕过那些浅尝辄止的理论介绍,直接上手Python,构建一套从基础解析到高级应用(如地图可视化)的完整工具链。我们将重点关注如何高效、准确地批量处理JPEG文件,并攻克GPS坐标转换这一核心难点,让你手中的每一张照片都能“开口说话”。

1. 理解EXIF:不止于元数据

在开始敲代码之前,我们需要对EXIF有一个超越“元数据”标签的认知。EXIF本质上是一种文件格式标准,它巧妙地“寄生”在JPEG、TIFF等图像文件的内部结构中。你可以把它想象成一本附在画作背后的“创作手记”,详细记录了创作的设备、环境与瞬间。

EXIF的核心价值远不止查看相机参数。对于开发者而言,它至少意味着:

  • 内容管理与检索:自动根据拍摄时间、地点、设备对海量图片进行分类和打标。
  • 数据验证与取证:验证图片的来源和真实性,在特定场景下提供关键信息。
  • 地理位置服务:提取GPS坐标,实现照片在地图上的自动标注,构建基于位置的相册或分析用户拍摄热点。
  • 摄影参数分析:批量分析摄影师的拍摄习惯(如常用的光圈、焦距范围),或用于图像质量评估。

与单纯解析文件格式的理论研究不同,我们的视角将完全面向工程实践。这意味着我们会更关心:如何用最稳健的代码处理各种相机生成的非标准数据?如何应对海量文件的性能瓶颈?解析出的GPS坐标,如何从一堆分数格式的数字,转换成人类可读并能被地图API直接使用的十进制度数?

注意:处理用户上传的图片时,必须高度重视隐私和安全。GPS数据属于敏感个人信息,任何收集、存储和使用都必须符合相关法律法规,并明确告知用户获取其知情同意。

2. 搭建你的Python EXIF解析工具箱

工欲善其事,必先利其器。Python生态中有多个库可以处理EXIF,我们将选择最适合批量、高效处理任务的组合。

2.1 核心库选择与安装

对于大多数应用场景,Pillow (PIL的友好分支) 和 exifread 是两大主力。它们各有侧重:

库名主要特点适用场景安装命令
Pillow (PIL)功能全面的图像处理库,内置EXIF读取接口,与图像操作无缝集成。需要在读取EXIF的同时进行图像缩放、格式转换等操作。pip install Pillow
exifread轻量级、专门用于读取EXIF数据的库,API简单直接,对GPS标签解析支持较好。专注于快速、准确地提取元数据,尤其是GPS信息。pip install exifread

此外,为了后续的地理位置处理和可视化,我们可能还需要:

  • geopy: 用于地理编码(将坐标转换为地址)和逆地理编码。
  • folium 或 plotly: 用于生成交互式地图,可视化照片位置。
# 建议的基础环境安装
pip install Pillow exifread
# 如需高级地理处理,可选择性安装
pip install geopy folium

2.2 基础解析:从单张图片到信息提取

让我们从一个最简单的例子开始,使用 Pillow 读取一张图片的EXIF。

from PIL import Image
import os

def get_exif_with_pillow(image_path):
    """使用Pillow提取单张图片的EXIF数据"""
    try:
        with Image.open(image_path) as img:
            # 获取EXIF数据
            exif_data = img._getexif()
            if exif_data is None:
                print(f"{os.path.basename(image_path)}: 未找到EXIF数据")
                return None

            # EXIF标签ID到名称的映射(部分)
            # 更完整的映射需要参考EXIF标准文档
            tag_names = {
                271: '制造商(Make)',
                272: '设备型号(Model)',
                306: '拍摄时间(DateTime)',
                34853: 'GPS信息(GPSInfo)', # 这是一个嵌套的IFD
                33434: '曝光时间(ExposureTime)',
                33437: '光圈值(FNumber)',
                37386: '焦距(FocalLength)',
            }

            parsed_info = {}
            for tag_id, value in exif_data.items():
                tag_name = tag_names.get(tag_id, f'未知标签({tag_id})')
                # 处理一些特殊格式的值,如有理数
                if isinstance(value, tuple) and len(value) == 2:
                    # 通常是有理数,如曝光时间 (分子, 分母)
                    try:
                        value = value[0] / value[1]
                    except ZeroDivisionError:
                        value = str(value)
                parsed_info[tag_name] = value
            return parsed_info
    except Exception as e:
        print(f"处理图片 {image_path} 时出错: {e}")
        return None

# 使用示例
if __name__ == "__main__":
    info = get_exif_with_pillow("你的照片.jpg")
    if info:
        for key, val in info.items():
            print(f"{key}: {val}")

这段代码打开了图片,获取了原始的EXIF字典。但你会发现,Pillow返回的GPS信息(标签34853)是一个复杂的、嵌套的字节对象,直接解读并不友好。这就是为什么对于深度GPS解析,我们常常需要借助 exifread。

3. 攻克核心难点:GPS坐标的提取与转换

GPS坐标在EXIF中以一种特殊的格式存储,通常包含纬度、经度、海拔,以及它们对应的参考方向(如北纬/南纬)。原始数据是“度-分-秒”格式的多个有理数(分数)元组,直接看就像天书。

3.1 使用exifread精准解析GPS

exifread 库能更细致地处理这些标签,并将GPS数据以结构化的方式呈现。

import exifread

def get_detailed_exif_with_exifread(image_path):
    """使用exifread获取更详细的EXIF,特别是GPS数据"""
    with open(image_path, 'rb') as f:
        tags = exifread.process_file(f, details=False)
    
    extracted = {}
    for tag, value in tags.items():
        # 过滤掉缩略图等大型二进制数据,只关注可读信息
        if tag not in ('JPEGThumbnail', 'TIFFThumbnail', 'Filename', 'EXIF MakerNote'):
            extracted[str(tag)] = str(value)
    return extracted

# 获取GPS标签
def get_gps_info(image_path):
    """专门提取并解析GPS标签"""
    with open(image_path, 'rb') as f:
        tags = exifread.process_file(f)
    
    gps_tags = {}
    for tag in tags.keys():
        if 'GPS' in tag:
            gps_tags[tag] = tags[tag]
    return gps_tags

运行后,你可能会看到类似这样的GPS标签:

'GPS GPSLatitude': [34, 41, 2083/100]
'GPS GPSLatitudeRef': 'N'
'GPS GPSLongitude': [135, 30, 4417/200]
'GPS GPSLongitudeRef': 'E'

这表示北纬34度41分20.83秒,东经135度30分22.085秒。

3.2 将“度分秒”转换为十进制度数

地图API(如Google Maps, Leaflet)通常使用十进制度数。因此,我们需要一个转换函数。

def convert_to_decimal(degree, minute, second, ref):
    """
    将度、分、秒格式转换为十进制度数。
    :param degree: 度 (int或float)
    :param minute: 分 (int或float)
    :param second: 秒 (float)
    :param ref: 参考方向,如 'N', 'S', 'E', 'W'
    :return: 十进制度数 (float)
    """
    decimal_degrees = degree + (minute / 60.0) + (second / 3600.0)
    # 南纬和西经需要转换为负数
    if ref in ['S', 'W']:
        decimal_degrees = -decimal_degrees
    return decimal_degrees

def parse_gps_coordinates(gps_tags):
    """从exifread解析出的GPS标签字典中提取并转换坐标"""
    try:
        # 解析纬度
        lat = gps_tags.get('GPS GPSLatitude')
        lat_ref = gps_tags.get('GPS GPSLatitudeRef')
        # 解析经度
        lon = gps_tags.get('GPS GPSLongitude')
        lon_ref = gps_tags.get('GPS GPSLongitudeRef')
        
        if lat and lat_ref and lon and lon_ref:
            # exifread返回的值可能是Ratio对象,需要转换为浮点数
            lat_deg = float(lat.values[0].num) / float(lat.values[0].den)
            lat_min = float(lat.values[1].num) / float(lat.values[1].den)
            lat_sec = float(lat.values[2].num) / float(lat.values[2].den)
            
            lon_deg = float(lon.values[0].num) / float(lon.values[0].den)
            lon_min = float(lon.values[1].num) / float(lon.values[1].den)
            lon_sec = float(lon.values[2].num) / float(lon.values[2].den)
            
            decimal_lat = convert_to_decimal(lat_deg, lat_min, lat_sec, str(lat_ref))
            decimal_lon = convert_to_decimal(lon_deg, lon_min, lon_sec, str(lon_ref))
            
            return decimal_lat, decimal_lon
    except (AttributeError, IndexError, TypeError) as e:
        print(f"解析GPS坐标时出错: {e}")
    return None, None

# 整合使用
def get_gps_decimal(image_path):
    """一站式获取图片的十进制GPS坐标"""
    gps_tags = get_gps_info(image_path)
    return parse_gps_coordinates(gps_tags)

现在,调用 get_gps_decimal('你的照片.jpg'),你将得到类似 (34.689119444444445, 135.50613472222222) 这样的元组,可以直接用于地图库。

4. 构建批量处理与实战应用框架

单张图片的处理只是开始,真正的威力在于批量处理。我们将构建一个健壮的脚本,用于扫描整个文件夹的照片,提取关键信息,并存储到结构化的格式(如CSV或数据库)中,最后进行可视化。

4.1 批量扫描与信息提取

假设我们有一个文件夹 photos/,里面存放了成千上万的用户上传图片。

import os
import csv
from pathlib import Path
import exifread

def batch_extract_exif_to_csv(image_folder, output_csv='photo_metadata.csv'):
    """
    批量提取文件夹内所有图片的EXIF和GPS信息,并保存到CSV。
    """
    image_extensions = ('.jpg', '.jpeg', '.tiff', '.tif')
    image_folder = Path(image_folder)
    
    fieldnames = ['文件名', '拍摄时间', '制造商', '型号', '纬度', '经度', '光圈', '曝光时间', '焦距', '文件路径']
    rows = []
    
    for img_path in image_folder.rglob('*'):
        if img_path.suffix.lower() in image_extensions:
            print(f"正在处理: {img_path.name}")
            row_data = {'文件名': img_path.name, '文件路径': str(img_path)}
            
            # 使用exifread获取详细信息
            try:
                with open(img_path, 'rb') as f:
                    tags = exifread.process_file(f, stop_tag='GPS GPSLatitudeRef', details=False)
            except Exception as e:
                print(f"  读取 {img_path.name} 失败: {e}")
                continue
            
            # 提取常用信息
            row_data['拍摄时间'] = str(tags.get('EXIF DateTimeOriginal', 'N/A'))
            row_data['制造商'] = str(tags.get('Image Make', 'N/A'))
            row_data['型号'] = str(tags.get('Image Model', 'N/A'))
            row_data['光圈'] = str(tags.get('EXIF FNumber', 'N/A'))
            row_data['曝光时间'] = str(tags.get('EXIF ExposureTime', 'N/A'))
            row_data['焦距'] = str(tags.get('EXIF FocalLength', 'N/A'))
            
            # 专门处理GPS
            gps_tags = get_gps_info(img_path)
            lat, lon = parse_gps_coordinates(gps_tags)
            row_data['纬度'] = lat if lat is not None else 'N/A'
            row_data['经度'] = lon if lon is not None else 'N/A'
            
            rows.append(row_data)
    
    # 写入CSV
    if rows:
        with open(output_csv, 'w', newline='', encoding='utf-8-sig') as csvfile:
            writer = csv.DictWriter(csvfile, fieldnames=fieldnames)
            writer.writeheader()
            writer.writerows(rows)
        print(f"元数据已导出至: {output_csv}")
    else:
        print("未找到任何包含有效EXIF数据的图片。")

# 运行批量提取
batch_extract_exif_to_csv('./photos')

这个脚本会生成一个CSV文件,清晰地列出了每张照片的关键信息,为后续分析打下了坚实基础。

4.2 地理位置可视化实战

有了包含GPS坐标的CSV文件,我们可以轻松地将这些照片“钉”在地图上。这里使用 folium 库创建一个交互式HTML地图。

import pandas as pd
import folium

def create_photo_map(csv_file, output_map='photo_map.html'):
    """根据包含GPS坐标的CSV文件,生成交互式地图"""
    try:
        df = pd.read_csv(csv_file)
        # 过滤掉没有坐标的数据
        df_with_gps = df[(df['纬度'] != 'N/A') & (df['经度'] != 'N/A')].copy()
        df_with_gps['纬度'] = pd.to_numeric(df_with_gps['纬度'])
        df_with_gps['经度'] = pd.to_numeric(df_with_gps['经度'])
        
        if df_with_gps.empty:
            print("CSV文件中没有有效的GPS坐标。")
            return
        
        # 以第一个坐标点为中心创建地图
        center_lat = df_with_gps['纬度'].mean()
        center_lon = df_with_gps['经度'].mean()
        m = folium.Map(location=[center_lat, center_lon], zoom_start=10)
        
        # 为每一行数据添加一个标记
        for idx, row in df_with_gps.iterrows():
            # 构建弹出窗口的HTML内容
            popup_html = f"""
            <b>文件名:</b> {row['文件名']}<br>
            <b>时间:</b> {row['拍摄时间']}<br>
            <b>设备:</b> {row['制造商']} {row['型号']}<br>
            <b>焦距:</b> {row['焦距']}mm
            """
            # 添加标记
            folium.Marker(
                location=[row['纬度'], row['经度']],
                popup=folium.Popup(popup_html, max_width=300),
                tooltip=row['文件名']
            ).add_to(m)
        
        # 保存为HTML文件
        m.save(output_map)
        print(f"交互式地图已生成: {output_map}")
        print(f"请在浏览器中打开此文件查看。共标记了 {len(df_with_gps)} 个位置。")
        
    except FileNotFoundError:
        print(f"未找到CSV文件: {csv_file}")
    except Exception as e:
        print(f"生成地图时出错: {e}")

# 使用上一步生成的CSV创建地图
create_photo_map('photo_metadata.csv')

运行后,你会得到一个 photo_map.html 文件。用浏览器打开它,就能看到所有带GPS信息的照片位置都已被标记在地图上。点击标记,会显示照片的详细信息。这对于制作旅行轨迹图、分析活动拍摄热点,或者管理带有地理信息的图片资产,都非常直观有效。

5. 高级技巧与避坑指南

在实际项目中,你会遇到各种边界情况和性能挑战。以下是一些经验之谈。

5.1 处理异常与不完整数据

不是所有图片都有EXIF,也不是所有EXIF都格式规范。

  • 文件损坏或非图像文件:使用 try...except 包裹文件打开操作,并验证文件魔数(magic number)。
  • 缺失GPS标签:在代码中做好判断,为缺失的数据提供默认值(如‘N/A’),避免程序崩溃。
  • 非标准GPS格式:极少数设备可能使用不同的格式存储GPS。在解析前,先检查标签是否存在,以及值的结构是否符合预期。
def safe_exif_extraction(img_path):
    """一个更安全的EXIF提取函数示例"""
    info = {}
    try:
        with Image.open(img_path) as img:
            if hasattr(img, '_getexif'):
                exif = img._getexif()
                if exif:
                    # 只尝试获取已知的标签,避免KeyError
                    for tag_id in [306, 271, 272, 33437]: # DateTime, Make, Model, FNumber
                        info[tag_id] = exif.get(tag_id, '未知')
    except (IOError, OSError, AttributeError) as e:
        print(f"无法处理文件 {img_path}: {e}")
    return info

5.2 性能优化:处理海量图片

当图片数量达到万级以上时,I/O和解析会成为瓶颈。

  • 多进程/多线程:使用 concurrent.futures 库的 ThreadPoolExecutor 或 ProcessPoolExecutor 来并行处理文件。I/O密集型任务适合多线程,CPU密集型(如复杂的图像处理)适合多进程。
  • 选择性读取:exifread.process_file 可以传入 stop_tag 参数,当找到所需标签后提前停止读取,提升速度。
  • 缓存机制:如果同一批图片需要多次分析,可以考虑将解析结果缓存到本地数据库(如SQLite)或文件中,避免重复解析。
from concurrent.futures import ThreadPoolExecutor, as_completed

def fast_batch_extract(image_paths, max_workers=4):
    """使用线程池批量快速提取EXIF"""
    results = []
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        # 提交任务
        future_to_path = {executor.submit(get_detailed_exif_with_exifread, path): path for path in image_paths}
        # 获取结果
        for future in as_completed(future_to_path):
            path = future_to_path[future]
            try:
                exif_data = future.result()
                if exif_data:
                    results.append((path, exif_data))
            except Exception as e:
                print(f"处理 {path} 时产生异常: {e}")
    return results

5.3 扩展应用思路

掌握了核心的提取和解析能力后,你可以将这些技术融入更广阔的应用场景:

  • 智能相册分类:结合拍摄时间和GPS,自动生成“2023年夏·北海道之旅”、“工作日通勤路上”等智能相册。
  • 摄影数据分析:批量分析你的照片库,统计最常用的光圈、快门速度组合,找出你的“黄金拍摄参数”。
  • 结合图像内容分析:使用CV库(如OpenCV, TensorFlow)识别图片内容(如“海滩”、“山峰”、“食物”),再与EXIF中的地理位置、时间信息融合,构建多维度的图片搜索引擎。
  • 工作流自动化:将上述脚本集成到Django、Flask等Web框架的后台,实现用户上传图片后自动提取元数据、打标、并存入数据库。

最后,记得在实际部署中,特别是处理用户数据时,将性能优化、错误处理和数据安全放在首位。EXIF数据是一座富矿,用Python这把镐头,你已经掌握了开采它的基本方法。剩下的,就是结合你的具体业务需求,去设计和实现那些真正创造价值的应用了。

Python实战:从照片EXIF中提取GPS并解析为详细地址 本文详细介绍了如何使用Python从照片的EXIF元数据中提取GPS坐标,并将其解析为详细地址。通过exifread库读取经纬度信息,并调用百度地图API进行逆地理编码,实现从照片到具体拍摄地址的转换。文章提供了完整的代码实现和常见问题解决方案,帮助开发者快速掌握这一实用技能。 阅读详情

相关推荐

不止于EXIF:深入解析大疆JPG照片里藏着的‘飞行黑匣子’数据(Python实战)

本文深入解析大疆JPG照片中隐藏的‘飞行黑匣子’数据,通过Python实战教程展示如何提取和分析这些专有信息。从二进制结构解析到XML数据处理,揭示飞行姿态、RTK状态等关键参数,帮助开发者充分利用航片中的宝贵数据。

weixin_42546392的博客 186

Python实战:从照片EXIF中提取拍摄轨迹与时空信息

本文详细介绍了如何使用Python从照片EXIF信息中提取拍摄轨迹与时空数据。通过exifread和Pillow库解析照片元数据,将GPS坐标转换为可读地址,并结合地图API与可视化库,实现拍摄地点与时间的自动整理与地图标记,帮助用户高效管理旅行记忆与照片资产。

weixin_28607671的博客 245

CTF题目解析-[WUSTCTF2020]find_me中的盲文隐藏技巧

本文详细解析了CTF题目[WUSTCTF2020]find_me的解题过程。题目将关键信息隐藏在图片文件的属性备注中,使用盲文进行编码。文章通过逐步分析,指导读者如何从元数据中发现盲文密文,并利用在线工具或原理理解将其解码为最终Flag,强调了CTF中信息搜集与非常规编码识别的重要性。

weixin_29260291的博客 260

EXIF元数据实战:如何用Python批量提取照片拍摄信息(含GPS定位解析)

本文详细介绍了如何使用Python批量提取照片中的EXIF元数据,特别是GPS定位信息。通过Pillow库读取数据,解析度分秒格式的坐标并转换为十进制,实现拍摄信息的批量提取、地理编码逆解析及交互式地图生成,为摄影分析、图片管理和地理位置可视化提供实用工具。

oo7890的博客 228

CTF-Misc新手必看:一张图片里藏了多少秘密?手把手教你用Stegsolve和Python挖出Flag

本文为CTF-Misc新手提供了图片隐写的全面指南,详细介绍了如何使用Stegsolve和Python工具从图片中挖掘隐藏的Flag。内容涵盖文件结构分析、LSB隐写技术、十六进制解析及自动化脚本编写,帮助读者快速掌握CTF比赛中的关键技能。

weixin_42667269的博客 130

照片EXIF信息提取工具与应用

Java: Apache Commons Imaging库提供了读取和写入图像文件的EXIF信息的功能。首先需要添加Maven依赖:xml然后通过ImageInfo类获取EXIF数据。C#: 在.NET中,可以使用类库来处理EXIF信息。首先确保项目引用了包,然后:```csharpindex++)```一些常用的EXIF信息提取工具包括但不限于:ExifTool。

weixin_42518334的博客 813

利用图片中的exif元数据批量查找图片中所包含的GPS信息

在图片的exif(交换图像文件格式)中标准定义了如何存储图像和音频文件的标准,而在这些标签中往往存在了一些容易被人们忽视却又重要的东西。 有一款工具名为exiftool,可以快速的解析所有标签,并将结果显示出来。 在ubuntu中可以这样下载: apt-get install exiftool 然后我们用它来解析某张图片 而当图片数量很多的情况下,批量处理显然成为了一个难题。所以p

至臻求学,胸怀云月 5135

编译原理2024期末复习(面向做题,大题速学)【太原理工大学】

归约-归约”冲突就是在项目集规范族一个状态中两个。

m0_63181421的博客 1万+

利用python批量提取图片的exif文件并将特定内容导出为txt文件

目录 1.利用python批量读取图片的EXIF信息并保存为txt文件 利用python批量提取图片的exif文件并将特定内容导出为txt文件 正文 接着上一篇文章,当时老师是要求的是将exif文件提取出来,再用idl将txt内的指定内容提取出来又保存为txt。对于第二步,老师用的方法是使用idl进行编程,将txt文本进行切片再提取,我觉得其实没必要那么麻烦,因为利用exifread导出的exif数据本来就是dict类的数据,所以只需要将你要的key值写出来建成一个list,再用一个很简单的for循环外加i

victoralways的博客 1584

Proteus 8.15仿真STM32F103C8,ADC采样总为0?别急着换芯片,先检查这3个配置

本文详细解析了在Proteus 8.15中仿真STM32F103C8时ADC采样值为0的常见原因及解决方法。从供电网络配置、时钟设置到ADC参数调整,提供了系统性的排查指南,帮助开发者快速定位问题,避免不必要的硬件更换。重点关注供电网络、时钟分频和ADC配置等关键环节。

weixin_30425949的博客 366

(数字ic验证)从零开始的apb_watchdog验证模块搭建(一、功能介绍与环境搭建)

apb_watchdog验证模块搭建(一)文章目录 文章目录apb_watchdog验证模块搭建(一)文章目录前言一、apb_watchdog简单功能介绍二、测试平台环境搭建1.测试所用模板介绍2.tb与interface2.env与watchdog_pkg3.test与base_sequence4.Makefile总结——当前验证结构 前言 本文介绍了apb_watchdog验证模块的搭建过程与其具体代码,主要包括其中验证环境的构建,测试序列的发送与回归测试收集。主要运用systemvorilog与u

peop1e的博客 9740

照片GPS定位原理与隐私防护全指南

EXIF元数据作为图像文件的数字指纹,记录了包括GPS坐标在内的关键拍摄信息。其工作原理是通过嵌入式数据存储技术,在JPEG/TIFF等格式中保存设备参数和地理位置。这项技术虽然为照片管理提供了便利,但也带来了严重的隐私泄露风险,特别是在社交媒体分享场景下。通过专业工具如ExifTool,可以轻易提取照片中的经纬度信息,结合地图服务实现精确定位。为应对这一问题,建议从设备设置、元数据清理工具(如MAT2)和社交平台上传策略三个层面进行防护。对于企业用户,部署DLP系统和开展员工培训是必要的安全措施。随着AI

weixin_34301132的博客 514

如何利用VS2017创建一个简单的窗口

#如何利用VS2017创建一个简单的窗口 1、新建->Windows桌面向导 2、应用程序类型->桌面应用程序,点击确定 3、点击调试->开始调试 可建立如下图的窗口 4、可以在生成的项目文件的中找到windows17_2的应用程序,打开界面如下: 注:新建空白项目也可以,注意在解决方案资源器中添加.cpp文件,如源.cpp文件,下载代码见博文 ...

weixin_46894139的博客 2914

Python实战:从照片EXIF中挖掘时空坐标与隐私风险

本文通过Python实战教程,详细解析如何从照片EXIF数据中提取时空坐标(如拍摄地址和拍摄时间),并揭示潜在的隐私风险。文章介绍了exifread、Pillow和pyexiv2三种工具库的使用方法,以及如何将GPS坐标转换为真实地址,同时提供隐私防护方案,帮助用户安全处理照片元数据。

weixin_30335575的博客 368

PLC如何控制电子膨胀阀(暖通空调/制冷系统)

电子膨胀在冷水机空调系统里广泛采用,大部分空调系统都会有电子膨胀阀,但是电子膨胀阀的控制接口和普通电磁阀完全不同,所以想要PLC直接控制电子膨胀阀,还是比较麻烦的,电子膨胀阀可以理解为一个简易步进电机,体积非常小,线圈和转子部分可以分离。下面我们看下PLC如何控制电子膨胀阀。

RXXW_Dor的博客 4763

LeRobot X-VLA:首个适用于任意机器人、任意任务的软提示机器人基础模型

X-VLA是一种基于软提示的视觉-语言-动作模型,通过可学习嵌入向量编码不同机器人配置,实现跨平台统一控制。该框架采用两阶段训练:先在29万次多平台任务中学习通用策略,再通过微调少量参数(仅1%)适配新机器人。实验表明,0.9B参数的X-VLA在6个仿真和3个真实平台上表现优异,如LIBERO任务达93%成功率,布料折叠任务100%完成。其核心创新是将硬件差异视为"任务",用软提示引导Transformer处理异构数据,为机器人基础模型提供可扩展方案。

2506_90492529的博客 1242

探秘EXIF:揭示数字照片背后的故事

探秘EXIF:揭示数字照片背后的故事 项目简介 在我们的日常生活中,无论是专业摄影还是随手拍,数字照片已经成为记录瞬间的重要方式。但你是否知道,每一张看似普通的照片都可能隐藏着丰富的元数据——这就是项目想要帮你挖掘的宝藏。这是一个开源的Python库,专门用于读取和处理图像文件中的Exchangeable Image File Format(可交换图像文件格式)信息。 技术分析 EXIF项目基于...

gitblog_00019的博客 834

《电磁兼容设计》专栏说明

本专栏自2024年1月起开始更新,仅设此一个电磁兼容相关知识专栏,并将一直持续更新下去,无期限

linkking27的博客 795

E4GL30S1NT元数据提取工具Metadata:图片与文档信息挖掘完全指南

E4GL30S1NT是一款功能强大的开源信息收集工具,其Metadata模块能够帮助用户轻松提取图片和文档中的隐藏元数据信息。无论是图片的拍摄设备信息、GPS定位数据,还是PDF文档的作者、创建时间等关键信息,都能通过这款工具快速获取,为信息分析工作提供有力支持。 ## 一、什么是元数据?为何需要提取它? 元数据是描述文件内容的数据,就像文件的"身份证"。对于图片来说,元数据可能包含拍摄设备型

gitblog_00388的博客 331

【数据集】ERA5(欧洲中期天气预报中心)再分析数据介绍及下载

简介EAR5数据集及下载步骤

WW、forever的博客 1万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

推荐使用:Exifyay - 强大的Python Exif数据处理工具

推荐使用:Exifyay - 强大的Python Exif数据处理工具 在数字图像的世界里,每一幅照片都承载着远超表面的丰富信息——Exif数据。Exifyay正是这样一款专为Python设计的开源库,它让你能够轻松读取和编写图片中的Exif信息,解锁图像背后的故事。借助于成熟的C语言库,并通过Cython的强大绑定能力,Exifyay提供了一个既强大又可靠的解决方案。 项目技术分析 Exify...

gitblog_00861的博客 557

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

CTFshow MISC入门实战:从EXIF隐写到二进制文件修改

本文以CTFshow平台MISC入门实战为例,系统讲解了从EXIF隐写到二进制文件修改的核心技巧。详细介绍了如何利用exiftool提取图片元数据中的隐藏信息,以及使用010 Editor等工具分析并修改文件结构(如BMP/PNG高度)以揭示Flag。文章通过具体题目解析,帮助读者掌握信息提取、进制转换和文件校验等CTF基础技能。

xgboost6farmer的博客 211

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

图片隐写术实战指南:从基础工具到高级技巧

本文详细介绍了图片隐写术的实战应用,从基础工具如Firework、Exif信息到高级技巧如LSB隐写和PNG文件分析。通过具体案例和操作步骤,帮助读者掌握隐藏和提取图片中秘密信息的方法,适用于数据保护、CTF比赛等多种场景。

weixin_29281915的博客 393

浏览器中的图像侦探:3步掌握StegOnline图像隐写分析

你是否曾经怀疑过一张普通的风景照里藏着秘密信息?或者想在图片中安全地隐藏一些重要数据而不被察觉?StegOnline正是为你解决这些问题的强大工具。作为一款基于网页的、完全开源的图像隐写分析平台,它让你无需安装任何软件,直接在浏览器中就能完成图像隐写和检测的所有操作,而且所有数据都在本地处理,100%保证你的隐私安全。 想象一下这样的场景:你正在参与网络安全竞赛,需要从一张看似普通的企鹅照片中提

gitblog_00121的博客 440

当图片开口说话:用ImageStrike解锁CTF中的图像密码

"这只是一张普通的风景照,里面怎么可能藏有flag?" 如果你在CTF比赛中遇到过图像隐写挑战,一定有过这样的困惑。传统的隐写分析需要你掌握十几种工具,记住各种命令行参数,对于新手来说简直是一场噩梦。ImageStrike的出现,让这一切变得简单——18种隐写分析方法,一个图形化界面,点击即用。 ## 从一张"普通"图片到隐藏的秘密宝库 想象一下,你拿到一张看似普通的PNG图片,但直觉告诉你它

gitblog_00391的博客 199
上一篇: Termux小白必看:不用root安卓手机也能玩转sudo命令(附FakeRoot详细配置)
下一篇: Weaviate实战:5分钟搞定RAG应用搭建(附Python代码示例)
Python
博客等级 码龄26年 1973粉丝 1567原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值