用selenium解决滑块验证码

前言

因为种种原因没能实现愿景的目标，在这里记录一下中间结果，也算是一个收场吧。这篇博客主要是用selenium解决滑块验证码的个别案列。
思路：

1. 用selenium打开浏览器指定网站
2. 将残缺块图片和背景图片下载到本地
3. 对比两张图片的相似地方，计算要滑动的距离
4. 规划路线，移动滑块

实现步骤

1. 用selenium打开浏览器浏览指定网站

1.1 找到chromedriver.exe的路径

点击开始找到谷歌图标==》右键更多==》打开文件位置==》右键谷歌快捷方式==》属性 ==》打开文件所在的位置 ==》复制路径

1.2 代码

from selenium import WEBdriver# chrome_path要改成你自己的路径chrome_path = r"C:\Users\11248\AppData\Local\Google\Chrome\Application\chromedriver.exe"url = 'https://icas.jnu.edu.cn/cas/login'driver = webdriver.Chrome(chrome_path)driver.get(url)

2.将残缺块图片和背景图片下载到本地

2.1 找到图片位置

打开网页进入开发者工具，找到图片位置

2.2 代码

import timeimport requestsfrom PIL import Imagefrom selenium.webdriver.common.by import Byfrom io import BytesIOtime.sleep(5)# 进入页面要停留几秒钟，等页面加载完target_link = driver.find_element(By.CLASS_NAME, "yidun_bg-img").get_attribute('src')template_link = driver.find_element(By.CLASS_NAME, "yidun_jigsaw").get_attribute('src')target_img = Image.open(BytesIO(requests.get(target_link).content))template_img = Image.open(BytesIO(requests.get(template_link).content))target_img.save('target.jpg')template_img.save('template.png')

3. 对比两张图片的相似地方，计算要滑动的距离

3.1 用matchTemplate获取移动距离

因为背景图片中的残缺块位置和原始残缺图的亮度有所差异，直接对比两张图片相似的地方，往往得不到令人满意的结果，在此要对两张图片进行一定的处理，为了避免这种亮度的干扰，笔者这里将两张图片先进行灰度处理，再对图像进行高斯处理，最后进行边缘检测。

def handel_img(img):    imgGray = cv2.cvtColor(img, cv2.COLOR_RGBA2GRAY)  # 转灰度图    imgBlur = cv2.GaussianBlur(imgGray, (5, 5), 1)  # 高斯模糊    imGCanny = cv2.Canny(imgBlur, 60, 60)  # Canny算子边缘检测    return imgCanny

为增加工作量（放屁，统一代码好看点） 将JPG图像转变为4通道（RGBA）

def add_alpha_channel(img):    """ 为jpg图像添加alpha通道 """    r_channel, g_channel, b_channel = cv2.split(img)  # 剥离jpg图像通道    alpha_channel = np.ones(b_channel.shape, dtype=b_channel.dtype) * 255  # 创建Alpha通道    img_new = cv2.merge((r_channel, g_channel, b_channel, alpha_channel))  # 融合通道    return img_new

3.2 代码

import cv2# 读取图像def match(img_jpg_path, img_png_path):    # 读取图像    img_jpg = cv2.imread(img_jpg_path, cv2.IMREAD_UNCHANGED)    img_png = cv2.imread(img_png_path, cv2.IMREAD_UNCHANGED)    # 判断jpg图像是否已经为4通道    if img_jpg.shape[2] == 3:        img_jpg = add_alpha_channel(img_jpg)    img = handel_img(img_jpg)    small_img = handel_img(img_png)    res_TM_CCOEFF_NORMED = cv2.matchTemplate(img, small_img, 3)    value = cv2.minMaxLoc(res_TM_CCOEFF_NORMED)    value = value[3][0]  # 获取到移动距离    return value

3.3 检验效果

为了验证思路和方法是否得当，这里将滑块图片与背景图片进行拼接，为后面埋下一个小坑。

def merge_img(jpg_img, png_img, y1, y2, x1, x2):    """ 将png透明图像与jpg图像叠加        y1,y2,x1,x2为叠加位置坐标值    """    # 判断jpg图像是否已经为4通道    if jpg_img.shape[2] == 3:        jpg_img = add_alpha_channel(jpg_img)    # 获取要覆盖图像的alpha值，将像素值除以255，使值保持在0-1之间    alpha_png = png_img[yy1:yy2, xx1:xx2, 3] / 255.0    alpha_jpg = 1 - alpha_png    # 开始叠加    for c in range(0, 3):        jpg_img[y1:y2, x1:x2, c] = ((alpha_jpg * jpg_img[y1:y2, x1:x2, c]) + (alpha_png * png_img[yy1:yy2, xx1:xx2, c]))    return jpg_img    img_jpg_path = 'target.jpg'  # 读者可自行修改文件路径img_png_path = 'template.png'  # 读者可自行修改文件路径x1 = match(img_jpg_path, img_png_path)y1 = 0x2 = x1 + img_png.shape[1]y2 = y1 + img_png.shape[0]# 开始叠加res_img = merge_img(img_jpg, img_png, y1, y2, x1, x2)cv2.imshow("res_img ", res_img)cv2.waiTKEy(0)

4. 规划路线，移动滑块

4.1 点击滑块移动

用第3节已经获取到的距离，点击滑块进行移动

from selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.support.wait import WebDriverWaitfrom selenium.webdriver import ActionChainsdef crack_slider(distance):wait = WebDriverWait(driver, 20)    slider = wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'yidun_slider')))    ActionChains(self.driver).click_and_hold(slider).perform()    ActionChains(self.driver).move_by_offset(xoffset=distance, yoffset=0).perform()    time.sleep(2)    ActionChains(self.driver).release().perform()    return 0

神奇的事情是，坑来了，没有匹配成功。

4.2 匹配失败原因

这里有以下两点原因：

1. 图片尺寸发生了变化，距离要进行转换。
2. 滑块滑动时，滑块和残缺块的相对位置有变动。

首先解决图片尺寸变化问题，找到网页中图片大小：345x172.500

下载到本地图片大小：480x240

所以要对距离进行以下处理：

distance = distance / 480 * 345

关于第二个问题，这里没有找到很好的测量工具测量出来，好在验证码对位置精确度要求不高，就一个个试数吧。

distance = distance /480 * 345 + 12

5 运行演示

补充

在对极验验证码进行学习中，有的网站对移动轨迹进行了验证，如果滑动太快，也会被识别出机器操作，为了模拟人工操作，出色的程序员写出了一个魔幻移动轨迹，举个例子：我们可以先超过目标，再往回移动。

 def get_tracks(distance):     distance += 20     v = 0     t = 0.2     forward_tracks = []     current = 0     mid = distance * 3 / 5     while current < distance:         if current < mid:             a = 2         else:             a = -3         s = v * t + 0.5 * a * (t ** 2)         v = v + a * t         current += s         forward_tracks.append(round(s))     back_tracks = [-3, -3, -2, -2, -2, -2, -2, -1, -1, -1]     return {'forward_tracks': forward_tracks, 'back_tracks': back_tracks}  def crack_slider(tracks):    wait = WebDriverWait(driver, 20)      slider = wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'yidun_slider')))      ActionChains(driver).click_and_hold(slider).perform() # 模拟按住鼠标左键      for track in tracks['forward_tracks']:          ActionChains(driver).move_by_offset(xoffset=track, yoffset=0).perform()      time.sleep(0.5)      for back_tracks in tracks['back_tracks']:          ActionChains(driver).move_by_offset(xoffset=back_tracks, yoffset=0).perform()      ActionChains(driver).move_by_offset(xoffset=-4, yoffset=0).perform()      ActionChains(driver).move_by_offset(xoffset=4, yoffset=0).perform()      time.sleep(0.5)      ActionChains(driver).release().perform()# 释放左键      return 0

完整代码

# coding=utf-8import reimport requestsimport timefrom io import BytesIOimport cv2import numpy as npfrom PIL import Imagefrom selenium import webdriverfrom selenium.webdriver import ActionChainsfrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support import expected_conditions as ECfrom selenium.webdriver.support.wait import WebDriverWaitclass CrackSlider():    # 通过浏览器截图，识别验证码中缺口位置，获取需要滑动距离，并破解滑动验证码    def __init__(self):        super(CrackSlider, self).__init__()        self.opts = webdriver.ChromeOptions()        self.opts.add_experimental_option('excludeSwitches', ['enable-logging'])        # self.driver = webdriver.Chrome(ChromeDriverManager().install(), options=self.opts)        chrome_path = r"C:\Users\11248\AppData\Local\Google\Chrome\Application\chromedriver.exe"        self.driver = webdriver.Chrome(chrome_path, options=self.opts)        self.url = 'Https://icas.jnu.edu.cn/cas/login'        self.wait = WebDriverWait(self.driver, 10)    def get_pic(self):        self.driver.get(self.url)        time.sleep(5)        target_link = self.driver.find_element(By.CLASS_NAME, "yidun_bg-img").get_attribute('src')        template_link = self.driver.find_element(By.CLASS_NAME, "yidun_jigsaw").get_attribute('src')        target_img = Image.open(BytesIO(requests.get(target_link).content))        template_img = Image.open(BytesIO(requests.get(template_link).content))        target_img.save('target.jpg')        template_img.save('template.png')    def crack_slider(self, distance):        slider = self.wait.until(EC.element_to_be_clickable((By.CLASS_NAME, 'yidun_slider')))        ActionChains(self.driver).click_and_hold(slider).perform()        ActionChains(self.driver).move_by_offset(xoffset=distance, yoffset=0).perform()        time.sleep(2)        ActionChains(self.driver).release().perform()        return 0def add_alpha_channel(img):    """ 为jpg图像添加alpha通道 """    r_channel, g_channel, b_channel = cv2.split(img)  # 剥离jpg图像通道    alpha_channel = np.ones(b_channel.shape, dtype=b_channel.dtype) * 255  # 创建Alpha通道    img_new = cv2.merge((r_channel, g_channel, b_channel, alpha_channel))  # 融合通道    return img_newdef handel_img(img):    imgGray = cv2.cvtColor(img, cv2.COLOR_RGBA2GRAY)  # 转灰度图    imgBlur = cv2.GaussianBlur(imgGray, (5, 5), 1)  # 高斯模糊    imgCanny = cv2.Canny(imgBlur, 60, 60)  # Canny算子边缘检测    return imgCannydef match(img_jpg_path, img_png_path):    # 读取图像    img_jpg = cv2.imread(img_jpg_path, cv2.IMREAD_UNCHANGED)    img_png = cv2.imread(img_png_path, cv2.IMREAD_UNCHANGED)    # 判断jpg图像是否已经为4通道    if img_jpg.shape[2] == 3:        img_jpg = add_alpha_channel(img_jpg)    img = handel_img(img_jpg)    small_img = handel_img(img_png)    res_TM_CCOEFF_NORMED = cv2.matchTemplate(img, small_img, 3)    value = cv2.minMaxLoc(res_TM_CCOEFF_NORMED)    value = value[3][0]  # 获取到移动距离    return value    # 1. 打开chromedriver，试试下载图片cs = CrackSlider()cs.get_pic()# 2. 对比图片，计算距离img_jpg_path = 'target.jpg'  # 读者可自行修改文件路径img_png_path = 'template.png'  # 读者可自行修改文件路径distance = match(img_jpg_path, img_png_path)distance = distance /480 * 345 + 12# 3. 移动cs.crack_slider(distance)

来源地址：https://blog.csdn.net/qq_44419449/article/details/127414044