以http://admin.emaotai.cn/login.aspx為例這類驗證碼只需要我們將滑塊拖動指定位置，處理起來比較簡單。拖動之前需要先將滾動條滾動到指定元素位置。

import timefrom selenium import webdriverfrom selenium.webdriver import ActionChains# 新建selenium瀏覽器對象，后面是geckodriver.exe下載后本地路徑browser = webdriver.Firefox()# 網站登陸頁面url = ’http://admin.emaotai.cn/login.aspx’# 瀏覽器訪問登錄頁面browser.get(url)browser.maximize_window()browser.implicitly_wait(5)draggable = browser.find_element_by_id(’nc_1_n1z’)# 滾動指定元素位置browser.execute_script('arguments[0].scrollIntoView();', draggable)time.sleep(2)ActionChains(browser).click_and_hold(draggable).perform()# 拖動ActionChains(browser).move_by_offset(xoffset=247, yoffset=0).perform()ActionChains(browser).release().perform()

我們以歐模網很多網站使用的都是類似的方式。因為驗證碼及拼圖都有明顯明亮的邊界,圖片辨識度比較高。所以我們嘗試先用cv2的邊緣檢測識別出邊界，然后進行模糊匹配，匹配出拼圖在驗證碼圖片的位置。

cv2模塊提供了多種邊緣檢測算子，包括Sobel、Scharr、Laplacian、prewitt、Canny或Marr—Hildreth等，每種算子得出的結果不同。這里我們用Canny算子，測試了很多算子，這種效果最好。

我們通過一個程序調整一下canny算子的閾值，使得輸出圖片只包含拼圖輪廓。

import cv2lowThreshold = 0maxThreshold = 100# 最小閾值范圍 0 ~ 500# 最大閾值范圍 100 ~ 1000def 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()

測試了若干個圖片發現最小閾值100、最大閾值500輸出結果比較理想。

我們用cv2的matchTemplate方法進行模糊匹配，匹配方法用CV_TM_CCOEFF_NORMED歸一化相關系數匹配。

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行匹配,最好匹配為0.匹配越差,匹配值越大.【2】標準平方差匹配 method=CV_TM_SQDIFF_NORMED standard square dirrerence(error)【3】 相關匹配 method=CV_TM_CCORR這類方法采用模板和圖像間的乘法操作,所以較大的數表示匹配程度較高,0標識最壞的匹配效果.【4】 標準相關匹配 method=CV_TM_CCORR_NORMED【5】 相關匹配 method=CV_TM_CCOEFF這類方法將模版對其均值的相對值與圖像對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列).【6】標準相關匹配 method=CV_TM_CCOEFF_NORMED

canndy_test.py:

import cv2import numpy as npdef 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’)

我們測試幾組數據，發現準確率拿來玩玩尚可。max_loc就是匹配出來的位置信息，我們只需要按照位置進行拖動即可。

完整流程

1.實例化瀏覽器

2.點擊登陸，彈出滑動驗證框

3.分別新建標簽頁打開背景圖及拼圖

4.全屏截圖后按照尺寸裁剪

5.模糊匹配兩張圖片，獲取匹配結果位置信息

6.將位置信息轉為頁面上的位移距離

7.拖動滑塊到指定位置

import timeimport cv2import canndy_testfrom selenium import webdriverfrom selenium.webdriver import ActionChains# 新建selenium瀏覽器對象，后面是geckodriver.exe下載后本地路徑browser = webdriver.Firefox()# 網站登陸頁面url = ’https://www.om.cn/login’# 瀏覽器訪問登錄頁面browser.get(url)handle = browser.current_window_handle# 等待3s用于加載腳本文件browser.implicitly_wait(3)# 點擊登陸按鈕，彈出滑動驗證碼btn = browser.find_element_by_class_name(’login_btn1’)btn.click()# 獲取iframe元素，切到iframeframe = browser.find_element_by_id(’tcaptcha_iframe’)browser.switch_to.frame(frame)time.sleep(1)# 獲取背景圖srctargetUrl = browser.find_element_by_id(’slideBg’).get_attribute(’src’)# 獲取拼圖srctempUrl = browser.find_element_by_id(’slideBlock’).get_attribute(’src’)# 新建標簽頁browser.execute_script('window.open(’’);')# 切換到新標簽頁browser.switch_to.window(browser.window_handles[1])# 訪問背景圖srcbrowser.get(targetUrl)time.sleep(3)# 截圖browser.save_screenshot(’temp_target.png’)w = 680h = 390img = cv2.imread(’temp_target.png’)size = img.shapetop = 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)# 新建標簽頁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 = 136h = 136img = cv2.imread(’temp_temp.png’)size = img.shapetop = 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’)# 計算出拖動距離distance = int(move / 2 - 27.5) + 2draggable = browser.find_element_by_id(’tcaptcha_drag_thumb’)ActionChains(browser).click_and_hold(draggable).perform()# 拖動ActionChains(browser).move_by_offset(xoffset=distance, yoffset=0).perform()ActionChains(browser).release().perform()time.sleep(10)

tips：可能會存在第一次不成功的情況，雖然拖動到了指定位置但是提示網絡有問題、拼圖丟失。可以進行循環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，失敗了會刷新拼圖讓你重新拖動。

if(isEleExist(browser,’slideBg’)): # retry else: returndef isEleExist(browser,id): try: browser.find_element_by_id(id) return True except: return False

以上就是python 模擬網站登錄——滑塊驗證碼的識別的詳細內容，更多關于python 模擬網站登錄的資料請關注好吧啦網其它相關文章！