百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

说我菜?那好,我用Python制作电脑与手机游戏脚本来赢你

ztj100 2025-04-07 21:27 22 浏览 0 评论

前言


大家好,我叫善念。我发现我的粉丝量涨得很慢,这次厚脸皮要博关注。这次做的是一个小巧的游戏脚本,本质上它可以用于任意的电脑与手机游戏。



分析(x0)

私信小编01即可获取大量Python学习资源


这个游戏是4399上的“别猜百块儿”, 意思就是让咱们只踩黑块,然后会给我们弹一手音乐。


我们来看看经典模式,选择pro,虽然我也不知道各种模式有啥区别,我就随便选了一个。


这个明眼人都看得出来就是在一定的时间内最大量的点击黑块即可。



可以看到点击开始这里都是黑色的,我尝试着点一下


可以发现,当我们点击开始,那个黑块它往下面移动了一格变成了灰色,然后同时上面的黑块自动掉了下来。


那么是不是就说明我们永远只需要点击倒数第二排中的黑块即可!


分析(x1)


那么我们只需要在一定的像素范围内(就是红色框框内)选出黑色块的去点击即可!



那么如何去确定这个像素范围呢?


其实我们只需要确定红色框左上角的像素点就可以了,因为游戏的方块大小是不变的,然后让横坐标+4个方块的宽,纵坐标加上方块的高即可。


那么如何去判断出哪个块是黑块呢?


我们都知道颜色是由RGBA组成的,red,green,blue,A是透明度。随便用个截图工具比如Q_Q, ctrl+A截图把鼠标放到黑块上去就可以看到RGB的数值,在我这里的话是(2,2,2),每个电脑可能不太相同,有点色差是正常的。越趋近于0说明颜色越黑。


这么大个黑块如何判断?其实我们只需要取每个方块的中心点即可!我们前面已经取到了红色框框的左上角像素点,而方块大小是不变的,所以呢手动取一下方块的长和宽厚,那么每个方块的中心点就很容易算出来了!


源代码



import pyautogui #自动化键鼠依赖
import time
pyautogui.FAILSAFE = True #安全模式打开 鼠标移动到左上角终止程序
 
time.sleep(3) #延时三秒启动
while True:
    rect = (0, 0, 1920, 1080) #屏幕尺寸
    photo = pyautogui.screenshot(region=rect)
    #photo.save('1.png')#测试
 
    for i in range(615, 950, 100): #坐标自测
        result = photo.getpixel((i, 652))  #经检测RGB
        if result[0]==2:
            pyautogui.click(i, 652)



关于pyautogui的安装


1、下载后安装


网址:


https://pypi.org/project/PyAutoGUI


点Download files,下载右侧的PyAutoGUI-0.9.38.tar.gz


解压后,进入解压目录执行python setup.py install


按照这个方法,在我电脑上安装成功


2、检测安装是否成功


进入Python,执行:


import pyautogui


相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: