python 模擬網(wǎng)站登錄——滑塊驗證碼的識別

更新時間：2021年03月17日 17:21:00 作者：可愛的黑精靈

這篇文章主要介紹了python 模擬網(wǎng)站登錄——滑塊驗證碼的識別，幫助大家更好的理解和學習使用python的爬蟲技術，感興趣的朋友可以了解下

普通滑動驗證

以http://admin.emaotai.cn/login.aspx為例這類驗證碼只需要我們將滑塊拖動指定位置，處理起來比較簡單。拖動之前需要先將滾動條滾動到指定元素位置。

import time
from selenium import webdriver
from selenium.webdriver import ActionChains

# 新建selenium瀏覽器對象，后面是geckodriver.exe下載后本地路徑
browser = webdriver.Firefox()

# 網(wǎng)站登陸頁面
url = 'http://admin.emaotai.cn/login.aspx'

# 瀏覽器訪問登錄頁面
browser.get(url)

browser.maximize_window()

browser.implicitly_wait(5)


draggable = browser.find_element_by_id('nc_1_n1z')

# 滾動指定元素位置
browser.execute_script("arguments[0].scrollIntoView();", draggable)

time.sleep(2)

ActionChains(browser).click_and_hold(draggable).perform()

# 拖動
ActionChains(browser).move_by_offset(xoffset=247, yoffset=0).perform()

ActionChains(browser).release().perform()

拼圖滑動驗證

我們以歐模網(wǎng)很多網(wǎng)站使用的都是類似的方式。因為驗證碼及拼圖都有明顯明亮的邊界,圖片辨識度比較高。所以我們嘗試先用cv2的邊緣檢測識別出邊界，然后進行模糊匹配，匹配出拼圖在驗證碼圖片的位置。

邊緣檢測

cv2模塊提供了多種邊緣檢測算子，包括Sobel、Scharr、Laplacian、prewitt、Canny或Marr—Hildreth等，每種算子得出的結果不同。這里我們用Canny算子，測試了很多算子，這種效果最好。

我們通過一個程序調(diào)整一下canny算子的閾值，使得輸出圖片只包含拼圖輪廓。

import cv2

lowThreshold = 0
maxThreshold = 100

# 最小閾值范圍 0 ~ 500
# 最大閾值范圍 100 ~ 1000

def canny_low_threshold(intial):
  blur = cv2.GaussianBlur(img, (3, 3), 0)
  canny = cv2.Canny(blur, intial, maxThreshold)
  cv2.imshow('canny', canny)


def canny_max_threshold(intial):
  blur = cv2.GaussianBlur(img, (3, 3), 0)
  canny = cv2.Canny(blur, lowThreshold, intial)
  cv2.imshow('canny', canny)


# 參數(shù)0以灰度方式讀取
img = cv2.imread('vcode.png', 0)

cv2.namedWindow('canny', cv2.WINDOW_NORMAL | cv2.WINDOW_KEEPRATIO)
cv2.createTrackbar('Min threshold', 'canny', lowThreshold, max_lowThreshold, canny_low_threshold)
cv2.createTrackbar('Max threshold', 'canny', maxThreshold, max_maxThreshold, canny_max_threshold)
canny_low_threshold(0)

# esc鍵退出
if cv2.waitKey(0) == 27:
  cv2.destroyAllWindows()

測試了若干個圖片發(fā)現(xiàn)最小閾值100、最大閾值500輸出結果比較理想。

拼圖匹配

我們用cv2的matchTemplate方法進行模糊匹配，匹配方法用CV_TM_CCOEFF_NORMED歸一化相關系數(shù)匹配。

幾種方法算法詳見。

【1】平方差匹配 method=CV_TM_SQDIFF square dirrerence(error)
這類方法利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大.
【2】標準平方差匹配 method=CV_TM_SQDIFF_NORMED standard square dirrerence(error)
【3】相關匹配 method=CV_TM_CCORR
這類方法采用模板和圖像間的乘法操作,所以較大的數(shù)表示匹配程度較高,0標識最壞的匹配效果.
【4】標準相關匹配 method=CV_TM_CCORR_NORMED
【5】相關匹配 method=CV_TM_CCOEFF
這類方法將模版對其均值的相對值與圖像對其均值的相關值進行匹配,1表示完美匹配,
-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列).
【6】標準相關匹配 method=CV_TM_CCOEFF_NORMED

canndy_test.py:

import cv2
import numpy as np

def matchImg(imgPath1,imgPath2):

  imgs = []

  # 原始圖像，用于展示
  sou_img1 = cv2.imread(imgPath1)
  sou_img2 = cv2.imread(imgPath2)

  # 原始圖像，灰度
  # 最小閾值100,最大閾值500
  img1 = cv2.imread(imgPath1, 0)
  blur1 = cv2.GaussianBlur(img1, (3, 3), 0)
  canny1 = cv2.Canny(blur1, 100, 500)
  cv2.imwrite('temp1.png', canny1)

  img2 = cv2.imread(imgPath2, 0)
  blur2 = cv2.GaussianBlur(img2, (3, 3), 0)
  canny2 = cv2.Canny(blur2, 100, 500)
  cv2.imwrite('temp2.png', canny2)

  target = cv2.imread('temp1.png')
  template = cv2.imread('temp2.png')

  # 調(diào)整顯示大小
  target_temp = cv2.resize(sou_img1, (350, 200))
  target_temp = cv2.copyMakeBorder(target_temp, 5, 5, 5, 5, cv2.BORDER_CONSTANT, value=[255, 255, 255])

  template_temp = cv2.resize(sou_img2, (200, 200))
  template_temp = cv2.copyMakeBorder(template_temp, 5, 5, 5, 5, cv2.BORDER_CONSTANT, value=[255, 255, 255])

  imgs.append(target_temp)
  imgs.append(template_temp)

  theight, twidth = template.shape[:2]

  # 匹配拼圖
  result = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED)

  # 歸一化
  cv2.normalize( result, result, 0, 1, cv2.NORM_MINMAX, -1 )

  min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

  # 匹配后結果畫圈
  cv2.rectangle(target,max_loc,(max_loc[0]+twidth,max_loc[1]+theight),(0,0,255),2)


  target_temp_n = cv2.resize(target, (350, 200))
  target_temp_n = cv2.copyMakeBorder(target_temp_n, 5, 5, 5, 5, cv2.BORDER_CONSTANT, value=[255, 255, 255])

  imgs.append(target_temp_n)

  imstack = np.hstack(imgs)

  cv2.imshow('stack'+str(max_loc), imstack)

  cv2.waitKey(0)
  cv2.destroyAllWindows()



matchImg('vcode_data/out_'+str(1)+'.png','vcode_data/in_'+str(1)+'.png')

我們測試幾組數(shù)據(jù)，發(fā)現(xiàn)準確率拿來玩玩尚可。max_loc就是匹配出來的位置信息，我們只需要按照位置進行拖動即可。

完整程序

完整流程

1.實例化瀏覽器

2.點擊登陸，彈出滑動驗證框

3.分別新建標簽頁打開背景圖及拼圖

4.全屏截圖后按照尺寸裁剪

5.模糊匹配兩張圖片，獲取匹配結果位置信息

6.將位置信息轉(zhuǎn)為頁面上的位移距離

7.拖動滑塊到指定位置

import time
import cv2
import canndy_test
from selenium import webdriver
from selenium.webdriver import ActionChains

# 新建selenium瀏覽器對象，后面是geckodriver.exe下載后本地路徑
browser = webdriver.Firefox()

# 網(wǎng)站登陸頁面
url = 'https://www.om.cn/login'

# 瀏覽器訪問登錄頁面
browser.get(url)

handle = browser.current_window_handle

# 等待3s用于加載腳本文件
browser.implicitly_wait(3)

# 點擊登陸按鈕，彈出滑動驗證碼
btn = browser.find_element_by_class_name('login_btn1')
btn.click()

# 獲取iframe元素，切到iframe
frame = browser.find_element_by_id('tcaptcha_iframe')
browser.switch_to.frame(frame)

time.sleep(1)

# 獲取背景圖src
targetUrl = browser.find_element_by_id('slideBg').get_attribute('src')

# 獲取拼圖src
tempUrl = browser.find_element_by_id('slideBlock').get_attribute('src')


# 新建標簽頁
browser.execute_script("window.open('');")
# 切換到新標簽頁
browser.switch_to.window(browser.window_handles[1])

# 訪問背景圖src
browser.get(targetUrl)
time.sleep(3)
# 截圖
browser.save_screenshot('temp_target.png')

w = 680
h = 390

img = cv2.imread('temp_target.png')

size = img.shape

top = int((size[0] - h) / 2)
height = int(h + ((size[0] - h) / 2))
left = int((size[1] - w) / 2)
width = int(w + ((size[1] - w) / 2))

cropped = img[top:height, left:width]

# 裁剪尺寸
cv2.imwrite('temp_target_crop.png', cropped)

# 新建標簽頁
browser.execute_script("window.open('');")

browser.switch_to.window(browser.window_handles[2])

browser.get(tempUrl)
time.sleep(3)

browser.save_screenshot('temp_temp.png')

w = 136
h = 136

img = cv2.imread('temp_temp.png')

size = img.shape

top = int((size[0] - h) / 2)
height = int(h + ((size[0] - h) / 2))
left = int((size[1] - w) / 2)
width = int(w + ((size[1] - w) / 2))

cropped = img[top:height, left:width]

cv2.imwrite('temp_temp_crop.png', cropped)

browser.switch_to.window(handle)

# 模糊匹配兩張圖片
move = canndy_test.matchImg('temp_target_crop.png', 'temp_temp_crop.png')

# 計算出拖動距離
distance = int(move / 2 - 27.5) + 2

draggable = browser.find_element_by_id('tcaptcha_drag_thumb')

ActionChains(browser).click_and_hold(draggable).perform()

# 拖動
ActionChains(browser).move_by_offset(xoffset=distance, yoffset=0).perform()

ActionChains(browser).release().perform()

time.sleep(10)

tips：可能會存在第一次不成功的情況，雖然拖動到了指定位置但是提示網(wǎng)絡有問題、拼圖丟失?？梢赃M行循環(huán)迭代直到拼成功為止。通過判斷iframe中id為slideBg的元素是否存在，如果成功了則不存在，失敗了會刷新拼圖讓你重新拖動。

 if(isEleExist(browser,'slideBg')):
    # retry
  else:
    return

def isEleExist(browser,id):
  try:
    browser.find_element_by_id(id)
    return True
  except:
    return False

以上就是python 模擬網(wǎng)站登錄——滑塊驗證碼的識別的詳細內(nèi)容，更多關于python 模擬網(wǎng)站登錄的資料請關注腳本之家其它相關文章！

您可能感興趣的文章: