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
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
