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：

import time # 事件库，用于硬性等待from selenium import webdriver # 导入selenium的webdriver模块from selenium.webdriver.common.by import By # 引入By类选择器# 创建Chrome WebDriver对象driver = webdriver.Chrome()try:# 打开豆瓣登录页driver.get("https://accounts.douban.com/passport/login")print(driver.title) # 打印页面的标题# （1）获取“密码登录”选项元素，并点击它# 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passClick = driver.find_element(By.XPATH, '//*[@id="account"]/div[2]/div[2]/div/div[1]/ul[1]/li[2]')passClick.click()# 整体等待5秒看结果time.sleep(5)finally:# 关闭浏览器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：

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

driver.implicitly_wait(5) # 使用浏览器隐式等待5秒# 此时需要切换到弹出的滑块区域，需要切换frame窗口driver.switch_to.frame("tcaptcha_iframe_dy")# 等待滑块验证图片加载后，再做后面的操作WebDriverWait(driver, 10).until(EC.visibility_of_element_located((By.ID, 'slideBg')))# 获取滑块验证图片下载路径，并下载到本地bigImage = driver.find_element(By.ID, "slideBg")s = bigImage.get_attribute("style") # 获取图片的style属性# 设置能匹配出图片路径的正则表达式p = 'background-image: url\(\"(.*" />

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：

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

然后在下载图片后调用该方法：

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

# 计算缺口图像的x轴位置dis = get_pos('bigImage.png')# 获取小滑块元素，并移动它到上面的位置smallImage = driver.find_element(By.XPATH, '//*[@id="tcOperation"]/div[6]')# 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）# 新缺口坐标=原缺口坐标*新画布宽度/原画布宽度newDis = int(dis*340/672-smallImage.location['x'])driver.implicitly_wait(5) # 使用浏览器隐式等待5秒# 按下小滑块按钮不动ActionChains(driver).click_and_hold(smallImage).perform()# 移动小滑块，模拟人的操作，一次次移动一点点i = 0moved = 0while moved < newDis: x = random.randint(3, 10) # 每次移动3到10像素 moved += x ActionChains(driver).move_by_offset(xoffset=x, yoffset=0).perform() print("第{}次移动后，位置为{}".format(i, smallImage.location['x'])) i += 1# 移动完之后，松开鼠标ActionChains(driver).release().perform()# 整体等待5秒看结果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。

# _*_ coding : utf-8 _*_# @Time : 2023-10-06 9:44# @Author : 光仔December# @File : 豆瓣登录自动滑动验证# @Project : Python基础import randomimport re # 正则表达式匹配库import time # 事件库，用于硬性等待import urllib # 网络访问import cv2 # opencv库from selenium import webdriver # 导入selenium的webdriver模块from selenium.webdriver.common.by import By # 引入By类选择器from selenium.webdriver.support.wait import WebDriverWait # 等待类from selenium.webdriver.support import expected_conditions as EC # 等待条件类from selenium.webdriver.common.action_chains import ActionChains # 动作类# 封装的计算图片距离的算法def get_pos(imageSrc):# 读取图像文件并返回一个image数组表示的图像对象image = cv2.imread(imageSrc)# GaussianBlur方法进行图像模糊化/降噪操作。# 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。blurred = cv2.GaussianBlur(image, (5, 5), 0, 0)# Canny方法进行图像边缘检测# image: 输入的单通道灰度图像。# threshold1: 第一个阈值，用于边缘链接。一般设置为较小的值。# 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canny = cv2.Canny(blurred, 0, 100) # 轮廓# 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。# contours(可选): 输出的轮廓列表。每个轮廓都表示为一个点集。# 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。contours, hierarchy = cv2.findContours(canny, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 遍历检测到的所有轮廓的列表for contour in contours:# contourArea方法用于计算轮廓的面积area = cv2.contourArea(contour)# arcLength方法用于计算轮廓的周长或弧长length = cv2.arcLength(contour, True)# 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if 5025 < area < 7225 and 300 < length

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