使用MFRC522库读取MIFARE RFID标签数据的正确方法
概述
在使用MFRC522库与ESP32开发板读取MIFARE 13.56MHz RFID标签时,开发者经常遇到能够成功读取标签UID但无法正确获取块数据的问题。本文将深入分析这一常见问题的原因,并提供完整的解决方案。
问题现象
开发者在使用MFRC522库时,能够通过uid.uidByte成功获取标签的UID,但在尝试使用MIFARE_Read函数读取块数据时,返回的数据不正确或者不符合预期。典型的表现是读取到的数据看起来像是随机值或固定模式,而非实际存储的数据。
根本原因分析
-
缓冲区大小处理不当:原代码中使用
sizeof(buffer)获取缓冲区大小,这返回的是数组的静态大小(18字节),而非实际读取到的数据长度。 -
块地址选择问题:MIFARE Classic标签有特定的块结构,某些块可能是厂商信息块或尾块,不能直接读取。
-
认证缺失:在读取数据块前,必须对相应扇区进行认证,否则读取操作会失败。
完整解决方案
1. 正确的块读取方法
// 定义认证密钥(默认FF密钥)
byte keyA[6] = {0xFF, 0xFF, 0xFF, 0xFF, 0xFF, 0xFF};
if (mfrc522.PICC_IsNewCardPresent() && mfrc522.PICC_ReadCardSerial()) {
// 选择扇区1的块4(实际应用中需要根据标签结构选择)
byte sector = 1;
byte blockAddr = 4;
// 进行认证
MFRC522::StatusCode status = mfrc522.PCD_Authenticate(
MFRC522::PICC_CMD_MF_AUTH_KEY_A, blockAddr, &keyA, &(mfrc522.uid));
if (status != MFRC522::STATUS_OK) {
Serial.print("认证失败: ");
Serial.println(mfrc522.GetStatusCodeName(status));
return;
}
// 读取块数据
byte buffer[18];
byte size = sizeof(buffer);
status = mfrc522.MIFARE_Read(blockAddr, buffer, &size);
if (status == MFRC522::STATUS_OK) {
// 仅打印实际读取到的字节数
dump_byte_array(buffer, size);
} else {
Serial.print("读取失败: ");
Serial.println(mfrc522.GetStatusCodeName(status));
}
mfrc522.PICC_HaltA();
mfrc522.PCD_StopCrypto1();
}
2. 改进的数据打印函数
void dump_byte_array(byte *buffer, byte bufferSize) {
for (byte i = 0; i < bufferSize; i++) {
Serial.print(buffer[i] < 0x10 ? " 0" : " ");
Serial.print(buffer[i], HEX);
}
Serial.println();
}
关键注意事项
-
扇区与块结构:MIFARE Classic 1K标签有16个扇区,每个扇区有4个块。块3是扇区尾块,包含访问控制位和密钥。
-
认证密钥:必须使用正确的密钥进行认证后才能读取数据块。默认出厂密钥通常是0xFF填充。
-
访问权限:检查扇区尾块中的访问控制位,确认当前密钥是否有读取权限。
-
块类型:避免读取厂商信息块(块0)和扇区尾块(每个扇区的块3)。
高级技巧
-
遍历所有可读块:可以编写循环遍历所有扇区和块,但要注意跳过厂商块和尾块。
-
密钥探测:当不知道密钥时,可以尝试常见密钥组合(全FF、全00、A0A1A2A3A4A5等)。
-
错误处理:完善的状态检查可以大大提高代码的健壮性。
结论
正确读取MIFARE标签数据需要理解标签的存储结构、认证机制和访问控制。通过本文介绍的方法,开发者可以可靠地读取标签中的数据块。实际应用中,还应考虑添加适当的错误处理和日志记录,以便快速定位问题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00