• 【Python从入门到进阶】39、使用Selenium自动验证滑块登录

    接上篇《38、selenium关于Chrome handless的基本使用》
    上一篇我们介绍了selenium中有关Chrome的无头版浏览器Chrome Handless的使用。本篇我们使用selenium做一些常见的复杂验证功能，首先我们来讲解如何进行滑块自动验证的操作。

    一、测试用例介绍

    我们要通过selenium来实现目前常见的滑块验证码的验证，以豆瓣的登录页面为例：

    其操作步骤就是：
    （1）打开登录页面https://accounts.douban.com/passport/login：

    （2）点击页面上的“密码登录”：

    （3）输入账号密码之后，点击“登录豆瓣”按钮：

    （4）拼接好弹出的滑块进行登录验证：

    二、需要用到的技术

    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、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。

    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。

    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

    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。

    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。


    三、实现步骤

    下面我们使用代码来实现滑块的验证。

    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：

    1. import time  # 事件库，用于硬性等待
    2.  
    3. from selenium import webdriver  # 导入selenium的webdriver模块
    4. from selenium.webdriver.common.by import By  # 引入By类选择器
    5.  
    6. # 创建Chrome WebDriver对象
    7. driver = webdriver.Chrome()
    8.  
    9. try:
    10.     # 打开豆瓣登录页
    11.     driver.get("https://accounts.douban.com/passport/login")
    12.     print(driver.title)  # 打印页面的标题
    13.     # （1）获取“密码登录”选项元素，并点击它
    14.     # 使用浏览器的F12开发者工具，使用copy xpath获取该元素的XPATH路径
    15.     passClick = driver.find_element(By.XPATH, '//*[@id="account"]/div[2]/div[2]/div/div[1]/ul[1]/li[2]')
    16.     passClick.click()
    17.     # 整体等待5秒看结果
    18.     time.sleep(5)
    19.  
    20. finally:
    21.     # 关闭浏览器
    22.     driver.quit()

    效果：
    值得注意的是，这里的“密码登录”的CSS选择器路径，是通过浏览器F12打开开发者选项，使用“copy xpath”功能复制的。
    效果：

    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：

    1. # 使用浏览器隐式等待3秒
    2. driver.implicitly_wait(3)
    3. # 获取账号密码组件并赋值
    4. userInput = driver.find_element(By.ID, "username")
    5. userInput.send_keys("jackzhucoder@126.com")
    6. passInput = driver.find_element(By.ID, "password")
    7. passInput.send_keys("123456")
    8. # 获取登录按钮并点击登录
    9. loginButton = driver.find_element(By.XPATH, '//*[@id="account"]/div[2]/div[2]/div/div[2]/div[1]/div[4]/a')
    10. loginButton.click()

    这里的登录按钮的xpath路径，也是使用开发者选项的“copy xpath”功能复制。
    效果：

    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：

    代码上我们使用WebDriver的switch_to.frame方法即可，参数就是frame区域的id名“tcaptcha_iframe_dy”。
    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：

    这里图片元素获取比较简单，通过ID名“slideBg”获取即可，但是图片路径需要分析其style属性中的css参数，通过正则表达式将图片src地址解析出来，然后通过urllib访问这个路径将图片下载下来。
    解析图片前，一定一定要等待图片元素加载完成之后再获取，否则会什么也解析不到。
    代码：

    1. driver.implicitly_wait(5)  # 使用浏览器隐式等待5秒
    2. # 此时需要切换到弹出的滑块区域，需要切换frame窗口
    3. driver.switch_to.frame("tcaptcha_iframe_dy")
    4. # 等待滑块验证图片加载后，再做后面的操作
    5. WebDriverWait(driver, 10).until(EC.visibility_of_element_located((By.ID, 'slideBg')))
    6. # 获取滑块验证图片下载路径，并下载到本地
    7. bigImage = driver.find_element(By.ID, "slideBg")
    8. s = bigImage.get_attribute("style")  # 获取图片的style属性
    9. # 设置能匹配出图片路径的正则表达式
    10. p = 'background-image: url\(\"(.*?)\"\);'
    11. # 进行正则表达式匹配，找出匹配的字符串并截取出来
    12. bigImageSrc = re.findall(p, s, re.S)[0]  # re.S表示点号匹配任意字符，包括换行符
    13. print("滑块验证图片下载路径:", bigImageSrc)
    14. # 下载图片至本地
    15. urllib.request.urlretrieve(bigImageSrc, 'bigImage.png')

    下载图片的效果：

    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5025-7225，周长为300-380。

    然后我们将计算距离的逻辑封装为一个方法：

    1. # 封装的计算图片距离的算法
    2. def get_pos(imageSrc):
    3.     # 读取图像文件并返回一个image数组表示的图像对象
    4.     image = cv2.imread(imageSrc)
    5.     # GaussianBlur方法进行图像模糊化/降噪操作。
    6.     # 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。
    7.     blurred = cv2.GaussianBlur(image, (5, 5), 0, 0)
    8.     # Canny方法进行图像边缘检测
    9.     # image: 输入的单通道灰度图像。
    10.     # threshold1: 第一个阈值，用于边缘链接。一般设置为较小的值。
    11.     # 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
    12.     canny = cv2.Canny(blurred, 0, 100)  # 轮廓
    13.     # 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。
    14.     # contours(可选): 输出的轮廓列表。每个轮廓都表示为一个点集。
    15.     # 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。
    16.     contours, hierarchy = cv2.findContours(canny, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    17.     # 遍历检测到的所有轮廓的列表
    18.     for contour in contours:
    19.         # contourArea方法用于计算轮廓的面积
    20.         area = cv2.contourArea(contour)
    21.         # arcLength方法用于计算轮廓的周长或弧长
    22.         length = cv2.arcLength(contour, True)
    23.         # 如果检测区域面积在5025-7225之间，周长在300-380之间，则是目标区域
    24.         if 5025 < area < 7225 and 300 < length < 380:
    25.             # 计算轮廓的边界矩形，得到坐标和宽高
    26.             # x, y: 边界矩形左上角点的坐标。
    27.             # w, h: 边界矩形的宽度和高度。
    28.             x, y, w, h = cv2.boundingRect(contour)
    29.             print("计算出目标区域的坐标及宽高：", x, y, w, h)
    30.             # 在目标区域上画一个红框看看效果
    31.             cv2.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 2)
    32.             cv2.imwrite("111.jpg", image)
    33.             return x
    34.     return 0

    然后在下载图片后调用该方法：

    1. # 下载图片至本地
    2. urllib.request.urlretrieve(bigImageSrc, 'bigImage.png')
    3. # 计算缺口图像的x轴位置
    4. dis = get_pos('bigImage.png')
    5. # 整体等待5秒看结果
    6. time.sleep(5)

    效果：

    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。
    这里我们移动的位置，并不是直接拿刚刚我们得到的图片上的x1减去小滑块的x2坐标，因为我们打开F12开发者界面，可以看到整体图片的宽度是小于原来下载下来的图片的（网页开发者为其固定了长宽），所以我们要重新计算一下缺口的x1位置相对于更小的这块图片的位置：

    计算的方法就是拿原来的坐标乘以新画布的宽度，再除以原画布的宽度：
    新缺口坐标=原缺口坐标*新画布宽度/原画布宽度
    原理就是小学数字（见图）：

    下面开始写代码。
    首先获取小滑块的xpath地址，用于获取该元素：

    代码：

    1. # 计算缺口图像的x轴位置
    2. dis = get_pos('bigImage.png')
    3. # 获取小滑块元素，并移动它到上面的位置
    4. smallImage = driver.find_element(By.XPATH, '//*[@id="tcOperation"]/div[6]')
    5. # 小滑块到目标区域的移动距离（缺口坐标的水平位置距离小滑块的水平坐标相减的差）
    6. # 新缺口坐标=原缺口坐标*新画布宽度/原画布宽度
    7. newDis = int(dis*340/672-smallImage.location['x'])
    8. driver.implicitly_wait(5)  # 使用浏览器隐式等待5秒
    9. # 按下小滑块按钮不动
    10. ActionChains(driver).click_and_hold(smallImage).perform()
    11. # 移动小滑块，模拟人的操作，一次次移动一点点
    12. i = 0
    13. moved = 0
    14. while moved < newDis:
    15.     x = random.randint(3, 10)  # 每次移动3到10像素
    16.     moved += x
    17.     ActionChains(driver).move_by_offset(xoffset=x, yoffset=0).perform()
    18.     print("第{}次移动后，位置为{}".format(i, smallImage.location['x']))
    19.     i += 1
    20. # 移动完之后，松开鼠标
    21. ActionChains(driver).release().perform()
    22. # 整体等待5秒看结果
    23. time.sleep(5)

    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。

    效果：

    selenium自动验证滑块效果

    四、完整代码

    以下是上面按照步骤编写完毕的完整代码（截止2023年10月6日），后期网站有更新或者元素布局有所变化，需要各位修改优化。
    本代码仅供学习参考，切勿用于其他用途。

    1. # _*_ coding : utf-8 _*_
    2. # @Time : 2023-10-06 9:44
    3. # @Author : 光仔December
    4. # @File : 豆瓣登录自动滑动验证
    5. # @Project : Python基础
    6. import random
    7. import re  # 正则表达式匹配库
    8. import time  # 事件库，用于硬性等待
    9. import urllib  # 网络访问
    10. import cv2  # opencv库
    11.  
    12. from selenium import webdriver  # 导入selenium的webdriver模块
    13. from selenium.webdriver.common.by import By  # 引入By类选择器
    14. from selenium.webdriver.support.wait import WebDriverWait  # 等待类
    15. from selenium.webdriver.support import expected_conditions as EC  # 等待条件类
    16. from selenium.webdriver.common.action_chains import ActionChains  # 动作类
    17.  
    18. # 封装的计算图片距离的算法
    19. def get_pos(imageSrc):
    20.     # 读取图像文件并返回一个image数组表示的图像对象
    21.     image = cv2.imread(imageSrc)
    22.     # GaussianBlur方法进行图像模糊化/降噪操作。
    23.     # 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。
    24.     blurred = cv2.GaussianBlur(image, (5, 5), 0, 0)
    25.     # Canny方法进行图像边缘检测
    26.     # image: 输入的单通道灰度图像。
    27.     # threshold1: 第一个阈值，用于边缘链接。一般设置为较小的值。
    28.     # 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
    29.     canny = cv2.Canny(blurred, 0, 100)  # 轮廓
    30.     # 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。
    31.     # contours(可选): 输出的轮廓列表。每个轮廓都表示为一个点集。
    32.     # 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。
    33.     contours, hierarchy = cv2.findContours(canny, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    34.     # 遍历检测到的所有轮廓的列表
    35.     for contour in contours:
    36.         # contourArea方法用于计算轮廓的面积
    37.         area = cv2.contourArea(contour)
    38.         # arcLength方法用于计算轮廓的周长或弧长
    39.         length = cv2.arcLength(contour, True)
    40.         # 如果检测区域面积在5025-7225之间，周长在300-380之间，则是目标区域
    41.         if 5025 < area < 7225 and 300 < length < 380:
    42.             # 计算轮廓的边界矩形，得到坐标和宽高
    43.             # x, y: 边界矩形左上角点的坐标。
    44.             # w, h: 边界矩形的宽度和高度。
    45.             x, y, w, h = cv2.boundingRect(contour)
    46.             print("计算出目标区域的坐标及宽高：", x, y, w, h)
    47.             # 在目标区域上画一个红框看看效果
    48.             cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)
    49.             cv2.imwrite("111.jpg", image)
    50.             return x
    51.     return 0
    52.  
    53.  
    54. # 创建Chrome WebDriver对象
    55. driver = webdriver.Chrome()
    56.  
    57. try:
    58.     # 打开豆瓣登录页
    59.     driver.get("https://accounts.douban.com/passport/login")
    60.     print(driver.title)  # 打印页面的标题
    61.     # （1）获取“密码登录”选项元素，并点击它
    62.     # 使用浏览器的F12开发者工具，使用copy xpath获取该元素的XPATH路径
    63.     passClick = driver.find_element(By.XPATH, '//*[@id="account"]/div[2]/div[2]/div/div[1]/ul[1]/li[2]')
    64.     passClick.click()
    65.     driver.implicitly_wait(3)  # 使用浏览器隐式等待3秒
    66.     # 获取账号密码组件并赋值
    67.     userInput = driver.find_element(By.ID, "username")
    68.     userInput.send_keys("jackzhucoder@126.com")
    69.     passInput = driver.find_element(By.ID, "password")
    70.     passInput.send_keys("123456")
    71.     # 获取登录按钮并点击登录
    72.     loginButton = driver.find_element(By.XPATH, '//*[@id="account"]/div[2]/div[2]/div/div[2]/div[1]/div[4]/a')
    73.     loginButton.click()
    74.     driver.implicitly_wait(5)  # 使用浏览器隐式等待5秒
    75.     # 此时需要切换到弹出的滑块区域，需要切换frame窗口
    76.     driver.switch_to.frame("tcaptcha_iframe_dy")
    77.     # 等待滑块验证图片加载后，再做后面的操作
    78.     WebDriverWait(driver, 10).until(EC.visibility_of_element_located((By.ID, 'slideBg')))
    79.     # 获取滑块验证图片下载路径，并下载到本地
    80.     bigImage = driver.find_element(By.ID, "slideBg")
    81.     s = bigImage.get_attribute("style")  # 获取图片的style属性
    82.     # 设置能匹配出图片路径的正则表达式
    83.     p = 'background-image: url\(\"(.*?)\"\);'
    84.     # 进行正则表达式匹配，找出匹配的字符串并截取出来
    85.     bigImageSrc = re.findall(p, s, re.S)[0]  # re.S表示点号匹配任意字符，包括换行符
    86.     print("滑块验证图片下载路径:", bigImageSrc)
    87.     # 下载图片至本地
    88.     urllib.request.urlretrieve(bigImageSrc, 'bigImage.png')
    89.     # 计算缺口图像的x轴位置
    90.     dis = get_pos('bigImage.png')
    91.     # 获取小滑块元素，并移动它到上面的位置
    92.     smallImage = driver.find_element(By.XPATH, '//*[@id="tcOperation"]/div[6]')
    93.     # 小滑块到目标区域的移动距离（缺口坐标的水平坐标距离小滑块的水平坐标相减的差）
    94.     # 新缺口坐标=原缺口坐标*新画布宽度/原画布宽度
    95.     newDis = int(dis*340/672-smallImage.location['x'])
    96.     driver.implicitly_wait(5)  # 使用浏览器隐式等待5秒
    97.     # 按下小滑块按钮不动
    98.     ActionChains(driver).click_and_hold(smallImage).perform()
    99.     # 移动小滑块，模拟人的操作，一次次移动一点点
    100.     i = 0
    101.     moved = 0
    102.     while moved < newDis:
    103.         x = random.randint(3, 10)  # 每次移动3到10像素
    104.         moved += x
    105.         ActionChains(driver).move_by_offset(xoffset=x, yoffset=0).perform()
    106.         print("第{}次移动后，位置为{}".format(i, smallImage.location['x']))
    107.         i += 1
    108.     # 移动完之后，松开鼠标
    109.     ActionChains(driver).release().perform()
    110.     # 整体等待5秒看结果
    111.     time.sleep(5)
    112.  
    113. finally:
    114.     # 关闭浏览器
    115.     driver.quit()

    参考：小飞刀2018《Selenium验证码滑动登录》
    转载请注明出处：https://guangzai.blog.csdn.net/article/details/133827764

  • 相关阅读:
    【论文 01】《Attention is all you need》
    深度学习之激活函数——Leaky ReLU
    nextTick源码解读
    Meta元宇宙副总裁离职了...『Go语言圣经』终于汉化啦；德云社失业警告！AI要说相声了；一键就能AI绘图的网站；前沿论文 | ShowMeAI资讯日报
    Python学生公寓管理系统的设计与实现毕业设计源码181047
    【C语言案例】——三子棋
    得物Flink内核探索实践
    AIGC独角兽官宣联手，支持千亿大模型的云实例发布，“云计算春晚”比世界杯还热闹...
    为你的项目搭建sentry并且通过企微推送
    操作系统实验一：时钟中断程序设计
  • 原文地址：https://blog.csdn.net/u013517797/article/details/133827764