普通滑動(dòng)驗(yàn)證
以http://admin.emaotai.cn/login.aspx為例這類驗(yàn)證碼只需要我們將滑塊拖動(dòng)指定位置，處理起來比較簡(jiǎn)單。拖動(dòng)之前需要先將滾動(dòng)條滾動(dòng)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(duì)象，后面是geckodriver.exe下載后本地路徑
browser = webdriver.Firefox()
# 網(wǎng)站登陸頁(yè)面
url = 'http://admin.emaotai.cn/login.aspx'
# 瀏覽器訪問登錄頁(yè)面
browser.get(url)
browser.maximize_window()
browser.implicitly_wait(5)
draggable = browser.find_element_by_id('nc_1_n1z')
# 滾動(dòng)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(dòng)
ActionChains(browser).move_by_offset(xoffset=247, yoffset=0).perform()
ActionChains(browser).release().perform()
拼圖滑動(dòng)驗(yàn)證
我們以歐模網(wǎng)很多網(wǎng)站使用的都是類似的方式。因?yàn)轵?yàn)證碼及拼圖都有明顯明亮的邊界,圖片辨識(shí)度比較高。所以我們嘗試先用cv2的邊緣檢測(cè)識(shí)別出邊界，然后進(jìn)行模糊匹配，匹配出拼圖在驗(yàn)證碼圖片的位置。
邊緣檢測(cè)
cv2模塊提供了多種邊緣檢測(cè)算子，包括Sobel、Scharr、Laplacian、prewitt、Canny或Marr—Hildreth等，每種算子得出的結(jié)果不同。這里我們用Canny算子，測(cè)試了很多算子，這種效果最好。
我們通過一個(gè)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(cè)試了若干個(gè)圖片發(fā)現(xiàn)最小閾值100、最大閾值500輸出結(jié)果比較理想。
拼圖匹配
我們用cv2的matchTemplate方法進(jìn)行模糊匹配，匹配方法用CV_TM_CCOEFF_NORMED歸一化相關(guān)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(jìn)行匹配,最好匹配為0.匹配越差,匹配值越大.
【2】標(biāo)準(zhǔn)平方差匹配 method=CV_TM_SQDIFF_NORMED standard square dirrerence(error)
【3】 相關(guān)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(biāo)識(shí)最壞的匹配效果.
【4】 標(biāo)準(zhǔn)相關(guān)匹配 method=CV_TM_CCORR_NORMED
【5】 相關(guān)匹配 method=CV_TM_CCOEFF
這類方法將模版對(duì)其均值的相對(duì)值與圖像對(duì)其均值的相關(guān)值進(jìn)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(guān)性(隨機(jī)序列).
【6】標(biāo)準(zhǔn)相關(guān)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(jié)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(cè)試幾組數(shù)據(jù)，發(fā)現(xiàn)準(zhǔn)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(jìn)行拖動(dòng)即可。
完整程序
完整流程
1.實(shí)例化瀏覽器
2.點(diǎn)擊登陸，彈出滑動(dòng)驗(yàn)證框
3.分別新建標(biāo)簽頁(yè)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(jié)果位置信息
6.將位置信息轉(zhuǎn)為頁(yè)面上的位移距離
7.拖動(dòng)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(duì)象，后面是geckodriver.exe下載后本地路徑
browser = webdriver.Firefox()
# 網(wǎng)站登陸頁(yè)面
url = 'https://www.om.cn/login'
# 瀏覽器訪問登錄頁(yè)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(diǎn)擊登陸按鈕，彈出滑動(dòng)驗(yàn)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(biāo)簽頁(yè)
browser.execute_script("window.open('');")
# 切換到新標(biāo)簽頁(yè)
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(biāo)簽頁(yè)
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(jì)算出拖動(dòng)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(dòng)
ActionChains(browser).move_by_offset(xoffset=distance, yoffset=0).perform()
ActionChains(browser).release().perform()
time.sleep(10)
tips：可能會(huì)存在第一次不成功的情況，雖然拖動(dòng)到了指定位置但是提示網(wǎng)絡(luò)有問題、拼圖丟失?？梢赃M(jìn)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(huì)刷新拼圖讓你重新拖動(dòng)。
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(yàn)證碼的識(shí)別的詳細(xì)內(nèi)容，更多關(guān)于python 模擬網(wǎng)站登錄的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- python網(wǎng)絡(luò)爬蟲之模擬登錄 自動(dòng)獲取cookie值 驗(yàn)證碼識(shí)別的具體實(shí)現(xiàn)
- 教你怎么用python批量登錄帶有驗(yàn)證碼的網(wǎng)站
- python解決12306登錄驗(yàn)證碼的實(shí)現(xiàn)
- 用python登錄帶弱圖片驗(yàn)證碼的網(wǎng)站
- 基于Python實(shí)現(xiàn)原生的登錄驗(yàn)證碼詳情
