背景:在部分的登录中有滑动验证码的验证,由于滑动验证码的缺块是随机的就导致实现起来比较困难!
先看结果
登录豆瓣
再看代码
class CrackSlider(object): """ 滑动验证码工具 1、add_alpha_channel:为jpg图像添加alpha通道 2、handel_img:灰度处理,再对图像进行高斯处理,最后进行边缘检 3、match:获取到移动距离 """ def __add_alpha_channel(self, 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(self, img): """灰度处理,再对图像进行高斯处理,最后进行边缘检""" 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(self, element, img1_path, img2_path, num1, num2): """ 模板匹配,通过openCV分析两个图片的相似度,获取两个相似度很高图片的坐标,从而计算两个图片的距离。 传入 全图位置、缺口位置、浏览器图片宽度、本地图片宽度 获取到移动距离 element:元素对象 img_jpg_path:全图 img_png_path:缺口 num1:浏览器图片宽度 num2:本地图片宽度 """ # 读取图像 img1_path = cv2.imread(img1_path, cv2.IMREAD_UNCHANGED) img2_path = cv2.imread(img2_path, cv2.IMREAD_UNCHANGED) # 判断jpg图像是否已经为4通道 if img1_path.shape[2] == 3: img1_path = self.__add_alpha_channel(img1_path) img = self.__handel_img(img1_path) small_img = self.__handel_img(img2_path) 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 value = value * num1 / num2 - element.location['x'] return value def get_pos(self, element, img1, num, num1, num2): """ 轮廓检测,通过openCV进行轮廓检测,即在大图片中找到缺口位置的坐标,然后计算小图片到缺口位置的距离。 传入 图片、缺口像素、浏览器图片宽度、本地图片宽度 获取移动像素 :param element: 元素位置 :param imageSrc: 图片地址 :param num: 图片缺口长宽像素,基本上长宽必须一致 :param num1: 浏览器图片宽度 :param num2: 本地图片宽度 :return: 缺口x坐标 """ # 读取图像文件并返回一个image数组表示的图像对象 image = cv2.imread(img1) # GaussianBlur方法进行图像模糊化/降噪操作。 # 它基于高斯函数(也称为正态分布)创建一个卷积核(或称为滤波器),该卷积核应用于图像上的每个像素点。 blurred = cv2.GaussianBlur(image, (5, 5), 0, 0) # Canny方法进行图像边缘检测 # image: 输入的单通道灰度图像。 # threshold1: 第一个阈值,用于边缘链接。一般设置为较小的值。 # threshold2: 第二个阈值,用于边缘链接和强边缘的筛选。一般设置为较大的值 canny = cv2.Canny(blurred, 0, 100) # 轮廓 # findContours方法用于检测图像中的轮廓,并返回一个包含所有检测到轮廓的列表。 # contours(可选): 输出的轮廓列表。每个轮廓都表示为一个点集。 # hierarchy(可选): 输出的轮廓层次结构信息。它描述了轮廓之间的关系,例如父子关系等。 contours, hierarchy = cv2.findContours(canny, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 遍历检测到的所有轮廓的列表 for contour in contours: # contourArea方法用于计算轮廓的面积 area = cv2.contourArea(contour) # arcLength方法用于计算轮廓的周长或弧长 length = cv2.arcLength(contour, True) # 如果检测区域面积在原来基础上下百分之四之间,周长在原来基础上下百分之四之间,则是目标区域 if num*num-num*num/4 < area < num*num+num*num/4 and num*4-num*4/4 < length < num*4+num*4/4: # 计算轮廓的边界矩形,得到坐标和宽高 # x, y: 边界矩形左上角点的坐标。 # w, h: 边界矩形的宽度和高度。 x, y, w, h = cv2.boundingRect(contour) print("计算出目标区域的坐标及宽高:", x, y, w, h) # 在目标区域上画一个红框看看效果 cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2) cv2.imwrite("img/test.jpg", image) return x * num1 / num2 - element.location['x'] return 0 def add_img1(self, img1): """ 将http图片保存到本地 img1:全图url """ urllib.request.urlretrieve(img1, 'img/img1.jpg') def add_img2(self, img1, img2): """ 将http图片保存到本地 img1:全图url img2:缺口url """ urllib.request.urlretrieve(img1, 'img/img1.jpg') urllib.request.urlretrieve(img2, 'img/img2.jpg') def slowly(self, driver, element, Dis): """ 慢慢滑动滑块模拟人的操作,一次次移动一点点 传入 浏览器对象、元素位置、移动距离 实现移动滑块 :param driver: 浏览器对象 :param element: 元素位置 :param Dis: 移动距离 :return: """ ActionChains(driver).click_and_hold(element).perform() # 移动小滑块,模拟人的操作,一次次移动一点点 i = 0 moved = 0 while moved < Dis: x = random.randint(3, 10) # 每次移动3到10像素 moved += x ActionChains(driver).move_by_offset(xoffset=x, yoffset=0).perform() print("第{}次移动后,位置为{}".format(i, element.location['x'])) i += 1 # 移动完之后,松开鼠标 ActionChains(driver).release().perform()
1、实现方案
1、模板匹配,通过openCV分析两个图片的相似度,获取两个相似度很高图片的坐标,从而计算两个图片的距离。
2、轮廓检测,通过openCV进行轮廓检测,即在大图片中找到缺口位置的坐标,然后计算小图片到缺口位置的距离。
2、知识准备
2.1、python语言
这里不再赘述,本篇主要还是使用python技术来实现。
2.2、selenium库
selenium是一个用于测试Web应用程序的Python库。它可以模拟用户在浏览器中的操作,例如点击、填写表单等。Selenium可以与各种浏览器交互,并提供了丰富的API来控制浏览器行为和获取网页内容。
2.3、urllib库
urllib是Python标准库之一,用于处理URL相关的操作。它包含多个子模块,例如urllib.request用于发送HTTP请求并获取响应,urllib.parse用于解析和构建URL,urllib.error用于处理URL相关的错误等。urllib常用于网络数据抓取、访问API等任务。
2.4、cv2库
cv2是OpenCV(Open Source Computer Vision)库的Python绑定。OpenCV是一个广泛使用的计算机视觉库,提供了丰富的图像处理和计算机视觉算法。cv2库为Python开发者提供了对OpenCV功能的访问,可以进行图像加载、处理、分析以及计算机视觉任务,如人脸识别、目标检测等。
安装注意事项:
如果直接通过pip install cv2安装报错的话,请使用下面的语句安装:
pip install opencv-python
2.5、random库
random是Python的随机数生成库。它提供了多种随机数生成函数,包括生成伪随机数的函数和从序列中随机选择元素的函数。random库可用于模拟、游戏开发、密码学等领域,以及各种需要随机性的应用程序。
2.6、re库
re是Python的正则表达式模块,用于对字符串进行模式匹配和处理。正则表达式是一种强大的文本匹配工具,可以用来搜索、替换、提取特定模式的字符串。re库提供了函数和方法来编译正则表达式、执行匹配操作,并返回匹配结果,使得处理文本数据更加灵活和高效
2.7、time库
的time库是处理时间的标准库,提供了获取系统时间、格式化输出、系统级精确计时等功能。
3、实现步骤
3.1、打开登录页切换密码登录
第一步,打开登录页面,并点击页面上的“密码登录”:
代码:
driver = webdriver.Edge() # 实例化驱动对象 driver.maximize_window() # 窗口最大化 driver.get("https://accounts.douban.com/passport/login") # 打开豆瓣登录页面 driver.implicitly_wait(5) # 隐式等待5秒 element = driver.find_element(By.XPATH, "//li[text()='密码登录']") # 定位【密码登录】元素 element.click() # 点击确认
3.2、输账密点击登录
第二步,输入账号密码,并点击“登录豆瓣”按钮:
代码:
element = driver.find_element(By.XPATH, "//input[@id='username']") # 定位元素 element.send_keys("18230630095") # 输入内容 element = driver.find_element(By.XPATH, "//input[@id='password']") # 定位元素 element.send_keys("123456") # 输入内容 element = driver.find_element(By.XPATH, "//a[text()='登录豆瓣']") # 定位元素 element.click() # 点击按钮
3.3、切换焦点并下载验证图片
将焦点切换至滑块验证区域,并下载加载好的滑块验证背景图片。
点击登录按钮后,就会出现滑块验证区域,这是一个新增的frame区域,此时我们需要将切换的焦点从主页面转换到这个frame区域上:
代码:
driver.implicitly_wait(5) # 隐式等待5秒 driver.switch_to.frame("tcaptcha_iframe_dy") # 切换到frame区域
然后我们需要获取整个需要对其的大图片,获取其路径并下载到本地,准备进行读取验证:
下载图片效果:
代码:
element = driver.find_element(By.XPATH, "//div[@id='slideBg']") # 定位元素 s = element.get_attribute("style") # 获取元素值 p = 'background-image: url\\(\\"(.*?)\\"\\);' # 正则表达式 \\:表示转义 img1 = re.findall(p, s, re.S)[0] # re.S表示点号匹配任意字符,包括换行符 print("滑块验证图片下载路径:", img1) # 打印结果 cs.add_img1(img1) # 下载图片
3.4、拖动滑块至缺口处
我们接下来要做的,是将小拼图图片,移动到缺口处:
我们需要获取小图片到缺口处的实际距离,一般用到两种方法。
第一种方法是模板匹配,通过openCV分析两个图片的相似度,获取两个相似度很高图片的坐标,从而计算两个图片的距离。
第二种方法是轮廓检测,通过openCV进行轮廓检测,即在大图片中找到缺口位置的坐标,然后计算小图片到缺口位置的距离。
这里因为我们无法单独获取小拼图的单独图片,所以不好使用模板匹配的方法,所以我们选择使用第二种轮廓检测的方法。
(1)得到缺口轮廓位置信息
首先我们计算一下缺口的坐标及面积大概有多大,使用PhotoShop打开下载的图片,单独将缺口按照正方形的尺寸抠出来,发现其长宽各是80像素:
所以这个封闭矩形的面积范围大概是在80*80=6400像素左右。周长是80*4=320像素。但是现实中这里是有缺口的,不是一个完整的图片,所以我们需要给它一定的误差范围,这里我们暂定目标区域面积为上下百分之四,周长为上下百分之四。
然后我们将计算距离:
# 实例化一个类对象 cs = CrackSlider() # 准备方法需要的入参 # 1、找到滑动按钮位置 element = driver.find_element(By.XPATH, "//div[@class='tc-fg-item tc-slider-normal']") # 2、图片位置(相对当前项目) img = 'img/img1.jpg' # 3、缺口像素长宽(长宽必须一致) gap_wide = 80 # 4、web图片宽度 web_wide = 340 # 5、原图片宽度 raw_wide = 672 # 调用方法获取返回的移动距离 dis = cs.get_pos(element, img, gap_wide, web_wide, raw_wide) # 打印一下移动距离 print("dis=", dis)
执行结果:
生成的目标区域画红框的计算图片:
好了,到此为止我们获取到了一个重要的数据,就是缺口的位置信息。
(2)匹配小滑块元素
得到小滑块元素,让其移动位置到上面计算的距离。
注意:由于大部分网站有检测真人操作的逻辑,所以我们这里要模拟真人进行移动操作,不能一下移动到目标点,需要一点一点的移动。
# 调用方法移动滑块致缺口位置 # driver 浏览器驱动对象 # element 元素位置对象 # dis 移动距离 cs.slowly(driver, element, dis) # 整体等待5秒看结果 time.sleep(5) # 关闭浏览器 driver.quit()
执行结果
4、其他
4.1、浏览器获取元素
(1)打开F12
(2)选择元素
(3)复制元素XPath
(4)检验元素XPath唯一性
Ctrl+F唤起搜索
输入复制的XPath
查看是否唯一