Python 爬虫实战：利用 OpenCV 识别并破解滑动验证码

def find_gap_position(bg_canny, gap_canny):
    # 查找背景图中的轮廓
    contours_bg, _ = cv.findContours(bg_canny, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    
    # 查找缺口图的轮廓
    contours_gap, _ = cv.findContours(gap_canny, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    
    # 这里简化逻辑：通常寻找最大的轮廓作为滑块主体
    # 在实际应用中，可能需要对比两张图的差异来确定偏移量
    # 此处演示如何获取边界框
    if contours_bg:
        x, y, w, h = cv.boundingRect(max(contours_bg, key=cv.contourArea))
        return x, y, w, h
    return 0, 0, 0, 0

更精确的定位方法： 通常的做法是将缺口图叠加到背景图上，通过模板匹配或像素差异法来计算偏移距离。以下是一个基于像素差异的简化示例：

def calculate_offset(bg_img, gap_img):
    # 将图片转为灰度以便比较
    gray_bg = cv.cvtColor(bg_img, cv.COLOR_BGR2GRAY)
    gray_gap = cv.cvtColor(gap_img, cv.COLOR_BGR2GRAY)
    
    # 在背景图中搜索缺口位置
    res = cv.matchTemplate(gray_bg, gray_gap, cv.TM_CCOEFF_NORMED)
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)
    
    # 返回匹配到的左上角坐标
    return max_loc[0]

5. 模拟拖动滑块

计算出偏移距离后，最后一步是模拟用户行为将滑块移动到正确位置。如果使用 Selenium 控制浏览器，可以通过 JavaScript 执行拖动事件；如果是直接请求接口，则需构造相应的 HTTP 请求参数。

Selenium 实现示例

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from selenium.webdriver.common.action_chains import ActionChains

def drag_slider(driver, element_id, distance):
    try:
        slider = WebDriverWait(driver, 10).until(
            EC.presence_of_element_located((By.ID, element_id))
        )
        actions = ActionChains(driver)
        actions.click_and_hold(slider).perform()
        
        # 移动滑块
        actions.move_by_offset(distance, 0).perform()
        
        # 松开鼠标
        actions.release().perform()
        print(f"成功拖动滑块，距离：{distance}")
    except Exception as e:
        print(f"拖动失败：{e}")

三、完整代码整合

以下是整合后的基础脚本框架，展示了从图像识别到坐标计算的完整流程。

import cv2
import numpy as np

class SliderCracker:
    def __init__(self, bg_path, gap_path):
        self.bg_path = bg_path
        self.gap_path = gap_path
        self.bg_img = None
        self.gap_img = None

    def load(self):
        self.bg_img = cv.imread(self.bg_path)
        self.gap_img = cv.imread(self.gap_path)
        if self.bg_img is None or self.gap_img is None:
            raise ValueError("图片加载失败")

    def process(self):
        # 1. 预处理
        bg_blur = cv.GaussianBlur(self.bg_img, (5, 5), 0)
        gap_blur = cv.GaussianBlur(self.gap_img, (5, 5), 0)
        
        # 2. 边缘检测
        bg_edge = cv.Canny(bg_blur, 200, 400)
        gap_edge = cv.Canny(gap_blur, 200, 400)
        
        # 3. 模板匹配计算偏移
        # 注意：实际场景中可能需要裁剪特定区域以提高精度
        result = cv.matchTemplate(bg_edge, gap_edge, cv.TM_CCOEFF_NORMED)
        _, max_val, _, max_loc = cv.minMaxLoc(result)
        
        if max_val > 0.8: # 置信度阈值
            return max_loc[0]
        else:
            return -1

# 使用示例
if __name__ == "__main__":
    # 请替换为实际图片路径
    cracker = SliderCracker("bg.png", "gap.png")
    cracker.load()
    offset = cracker.process()
    print(f"计算出的偏移距离为：{offset} 像素")

四、常见问题与优化

1. 验证码刷新问题：部分网站验证码会动态刷新，导致图片不固定。需要在每次请求前重新获取最新图片。
2. 干扰元素：背景图中可能存在干扰线条。可以通过形态学操作（如腐蚀、膨胀）来去除小面积噪声。
3. 反爬策略：高级验证码可能包含轨迹验证。单纯识别位置可能不够，需要模拟人类拖动的非线性轨迹。

五、结语

本文介绍了使用 Python 和 OpenCV 破解滑动验证码的基本流程。从图像预处理到边缘检测，再到坐标计算，每一步都至关重要。需要注意的是，技术应当用于合法合规的数据采集场景，请勿用于非法入侵或破坏他人系统安全。

通过不断调试参数和优化算法，可以提高识别的准确率和成功率。希望这篇教程能为你的爬虫开发工作提供帮助。