用selenium解决滑块验证码的实现步骤

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：

• 用selenium打开浏览器指定网站

• 将残缺块图片和背景图片下载到本地

• 对比两张图片的相似地方，计算要滑动的距离

• 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 time
import requests
from PIL import Image
from selenium.webdriver.common.by import By
from io import BytesIO

time.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 = 0
x2 = 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 EC
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver import ActionChains

def 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：

• 图片尺寸发生了变化，距离要进行转换。

• 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-8
import re
import requests
import time
from io import BytesIO

import cv2
import numpy as np
from PIL import Image
from selenium import webdriver
from selenium.webdriver import ActionChains
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.support.wait import WebDriverWait

class 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 0

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

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

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

# 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：https://blog.csdn.net/qq_44419449/article/details/127414044