破解极验(geetest)滑动验证码

目前大多数网站使用的验证方式，极验验证码主要分为点按、滑动、选字、选图、识字组词等方式。如下图所示：

点按

滑动

选字

选图

识字组词

当然这只是几种比较常见的验证码方式，还有旋转图片、找出一组图片中不是同一个人之类的，五花八门。。。

在这里只是简单讲解一下如何使用selenium破解极验的滑动验证码。

破解思路

1. 找到验证码的图片

2. 对比bg和fullbg两张图片，找到缺口位置

3. 用selenium模拟人的行为拖动滑块

4. 验证结果

具体步骤

在此之前先讲一下最新版极验出的验证方法是没有原始图片的。也就是多了一个修改页面css样式的属性操作，还够不到机器学习、OCR识别一些看起来比较高深的东西。再说了，貌似那个识别率也不是很高。

a > 点击验证按钮

获取按钮

button = self.wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.gt_slider_knob.gt_show')))

点按按钮(就是把鼠标放到按钮上，并非点击，否则后直接导致破解失败)

ActionChains(self.browser).move_to_element(button).perform()

ActionChains方法：
move_to_element(to_element) - 鼠标移动到某个元素
click_and_hold(on_element =None) - 点击鼠标左键，不松开
move_by_offset(xoffset，yoffset) - 鼠标从当前位置移动到某个坐标
release(on_element = None) - 在某个元素位置松开鼠标左键
perform() - 执行操作，记住这个很重要，调用上面的方法后，一定要执行perform才能真正执行

b >获取验证码截图（因为极验的那个图片是有很多个小图片组合到一起的，看网上有很多的组合方式。。。个人感觉直接截图之后定位要好一些,简单粗暴直接。PS：使用极验最新版的不通过点击获取验证码图片，而是通过修改页面css属性直接拿到验证码图片。当然，个人还是推荐截图，而非破解规律重组）

1）获取整个页面的截图

screenshot = browser.get_screenshot_as_png()
screenshot = Image.open(BytesIO(screenshot))

2）获取验证码坐标(基于整个页面的截图)

        img = self.wait.until(EC.presence_of_element_located((By.CSS_SELECTOR, '.gt_cut_fullbg.gt_show')))
        time.sleep(2)
        location = img.location
        size = img.size
        top, bottom, left, right = location['y'], location['y'] + size['height'], location['x'], location['x'] + size['width']

3）获取验证码图片（根据坐标在整个页面截图上在截图）

        top, bottom, left, right = self.get_position()
        screenshot = self.get_screenshot()
        captcha = screenshot.crop((left, top, right, bottom))

获取验证码图片

c>获取带缺口的验证码图片

1）获取滑块对象

slider = self.wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.gt_slider_knob.gt_show')))

2）截取带缺口的验证码图片（点按滑块对象，唤出带缺口的验证码图片。使用截验证码图片的同样的方式在进行一次截取即可：截取整个页面 -- 获取坐标 -- 截取。）

获取带缺口的验证码图片

d>获取缺口位置

gap = self.get_gap(image1, image2)

e>减去缺口位移（BORDER是自己设置的常量，表示下图红色标识的部分的宽）

BORDER

        gap -= BORDER

f>模拟移动轨迹(应该算是极简模拟了，网上有人说要用神经网络我就。。。不过可以试一下线性回归，当然还有人说录制人滑的轨迹再回放什么的，也可以算是一种思路吧！最起码感觉比神经网络要简单)

回归思路：
回归算法的缺点大家都知道，是需要严格的假设的，做这个之前先抽取几组数据做 时间－位移的折图，发现速度轨迹其实是先快，接近目标点后开始慢的。之后博主取个巧把函数近似看成两个一元一次函数的组合，分别作回归。至于怎么分的函数，很简单，对每组数据点的 速度 做一个聚类。

# 移动轨迹
        track = []        # 当前位移
        current = 0        # 减速阈值
        mid = distance * 4 / 5        # 计算间隔
        t = 0.2        # 初速度
        v = 0        while current < distance:            if current < mid:                # 加速度为正2
                a = 2            else:                # 加速度为负3
                a = -3            # 初速度v0
            v0 = v            # 当前速度v = v0 + at
            v = v0 + a * t            # 移动距离x = v0t + 1/2 * a * t^2
            move = v0 * t + 1 / 2 * a * t * t            # 当前位移
            current += move            # 加入轨迹
            track.append(round(move))

g>拖动滑块

ActionChains(self.browser).click_and_hold(slider).perform()        for x in track:
            ActionChains(self.browser).move_by_offset(xoffset=x, yoffset=0).perform()
        time.sleep(0.5)
        ActionChains(self.browser).release().perform()

若无出错，此时就已经验证成功了。成功率还是比较低，问题主要还是出在模拟轨迹那一块上，需要改进该算法会提高验证率。

作者：GHope
链接：https://www.jianshu.com/p/1bf5e3473a51