滑块验证码识别

视频演示：

（因我的笔记本配置不好，视频中程序运行较慢，请各位谅解，观看中保持耐心，谢谢）

滑块验证码识别

      应用于云爬虫平台的滑块验证码识别模块

一、项目提出

因爬虫系统在爬取数据过程中，会被目标网站的滑块验证码拦截，所以提出加入识别验证码模块，模拟人的拖动行为破解验证码，帮助爬虫工作。

二、问题概述

1.进入目标网站首页

2.点击查询，出现验证码弹窗

3.点击拖动按钮后，出现拼图

4.拼图拖至相应位置，通过验证

总结：

需要自动化登录页面输入待查询信息，出现验证码弹窗后计算所需位移，自动拖动拼图通过验证。

三、初期尝试

设想：直接对待匹配图像进行处理。

1.对屏幕截图输入原始图像

2.彩色图像灰度化，高斯平滑

3.进行边缘检测

4.寻找图形外轮廓

5.计算各个轮廓面积

6.根据轮廓面积设置限定条件

7.计算并画出质心，求出所需位移

出现问题：

识别率低，位移量计算误差较大。

四、方法改进

使用selenium，webdriver进行自动化操作

改变目标拼图的识别方式

过程：

1.尝试发现，验证码初次弹窗为完整图片，点击后出现拼图部分。

因此考虑：在弹窗出现时首次截图，保存图片P1，点击拖动按钮，拼图出现后截图保存为P2.

P1，P2做差，则求出目标位置。

如图：

2.使用opencv，边缘检测，轮廓抓取（findcontours）

3.计算两个轮廓各自中心点，求差值。

4.利用webdriver拖动滑块进行匹配。

出现问题：

1.多次访问网站后，IP会被屏蔽。

如图：

2.拖动滑块有时会被网站认定为机器行为，导致匹配不通过。

五，难点解决

1.使用代理IP解决被屏蔽问题。

1.1：智连代理

提供专用客户端，支持全国混播和指定IP两种方式。

IP可用时间较长，连接成功率较高。

存在问题：

该客户端只适用于win，iOS，安卓。

linux上只可用L2TP类型，且配置成功率很低。

1.2 无忧代理

该服务商提供了完整API接口，有动态、普通IP可选。

问题：

动态IP可用率高，但大部分可用时间不到1分钟，加上我程序运行慢，造成了很大困扰。

普通ip只有百分之30可用，但可用时长在30分钟以上。

最终选用无忧代理，部分配置代码如下：

其中，需要加入以下模块：

import  os

from  recognize  import    crackDragingValidCode

from  selenium  import  webdriver

import  time

import  re

from  selenium.webdriver  import  DesiredCapabilities

from  selenium.webdriver.common.proxy  import  Proxy

from  selenium.webdriver.common.proxy  import  ProxyType

import  random

import   urllib

1.3 改变查询方式减少被屏蔽次数

尝试发现，当查询页面跳转后，在跳转后得页面内进行查询，不会出现IP被屏蔽的情况。

如图右上角：

1.3.1 判断是否跳转

读取网页源码，可以发现，每个验证码弹窗对应一个编号，当跳转成功时，编号改变。

所以可以用CSS选择器+正则表达式判断是否跳转。

跳转不成功则关闭浏览器重新运行，跳转成功则可在查询框重复输入而不被屏蔽。

如图：

测试结果：

加入代理后，部分问题得到解决，但因代理可用率和可用时长等因素存在，正确率并不高

2.修改拖动行为防止被识别为机器行为

2.1 加入延时

因机器拖动时间都在1秒内，分析可能因时间过短而被识别出来。

因此分两段拖动，中间time.sleep（3）

2.2 加入抖动

设置拖动距离B时预设一个抖动值A（加在原始拖动距离上），使滑块先移动A+B，再回拖A。

2.3拟合函数改变速度（还未在代码中实现）

拟合进一个单调递减，二阶导为正的幂函数，使滑块接近目标时速度不断下降。

测试结果：

被识别为机器行为的情况大大减少。

六、总结

1.此程序可用于：

win10；

ubuntu14.04；

red hat5

2.需要安装的组件（根据个人需要）：

python2.7

selenium3.5

firefox54.0以上

opencv2.4.13

geckodriver0.18.0

phantomjs版本自选

Xmanger5（red hat没有相应浏览器图形界面，可用xmanager查看）