python过滑块滑动轨迹 python滑块重置

转载

落笔成诗 2024-04-29 15:11:57

文章标签 python过滑块滑动轨迹滑块下载图片文件名 文章分类 Python 后端开发

文章目录

前言
目标

滑块解锁分三种

1.每次验证的第一个图都是定死的
2.验证滑块不通过图片不变
3.无论你验证成功失败,你拉一次图片位置变一次

一、下载滑块与背景图

1.利用canvas标签下载图片(此路不通)
2.利用selenium的电脑截图下载图片(此路不通)
3.利用selenium的鼠标下载图片(成功)

二、计算滑块到空缺的距离

1.第一种方法对比像素(此路不通)
2.第二种方法对比滑块和背景(成功)
3.第二种方法增强版

三、模仿人为滑动破解

1.计算出速度
2.网上失败代码不粘贴了

总结

前言

网上的的滑块解锁图形,五花八门,十个里面九个瘫,步步都是坑

目标

目标很简单,就是把滑块放进缺少的图片中

python过滑块滑动轨迹 python滑块重置_下载图片

滑块解锁分三种

1.每次验证的第一个图都是定死的

也就是说,访问第一次之后,直接F12算出面积,直接把长度放入代码中即可

2.验证滑块不通过图片不变

这种的话,比较第一种较难点,思路很简单,就是设置一个长度,不断的递增就可以了,比如第一个图可能要求拉15cm也可能是拉33cm才可以,但是我就从3cm开始测试就可以了,3cm不行6cm,6cm不行9cm,反正没刷新图片15cm永远都在那里等着我

3.无论你验证成功失败,你拉一次图片位置变一次

这就是今天的反爬虫机制最高的境界,时时刻刻变位置,前两种的思路都不可以用了,只能计算出长度进行拉取,这也就是这篇博客要讲解的重头戏

一、下载滑块与背景图

1.利用canvas标签下载图片(此路不通)

附上大佬的代码

def download_yzm(self):
   js = '''
        return document.getElementById('puzzle-lost').toDataURL()
    '''
    base64str = self.driver.execute_script(js)
    resultstr = base64str.strip("data:image/png;base64")
    resultstr = resultstr[1:]
    imagedata = base64.b64decode(resultstr)
    file = open('./bg.png', "wb")
    file.write(imagedata)
    file.close()

首先,不看别的,只看到js里面有return 我就知道会报错了,我很纳闷他试了没

在console里面执行js不知道哪个前端加过return才会有数据显示??

他没有实践,所以没有考虑很多问题,比如canvas下载图片地址toDataURL是存在跨域问题的,又比如每次图片滑动的距离并不是写死的,背景图会时时刻刻变化的,所以写代码还是多动手比较好

2.利用selenium的电脑截图下载图片(此路不通)

#移动前获取滑块那部分页面上的图片用selenium截图的形式
driver.find_elements_by_xpath('//*[@class="yidun_bg-img"]')[1].screenshot('0.png')
bg_act = cv.imread('0.png')
bg_act_height, bg_act_width = bg_act.shape[0],bg_act.shape[1]
bg = cv.imread('bg_img.png')
bg_height, bg_width = bg.shape[0],bg.shape[1]
block = cv.imread('img.png', -1)
scale = bg_act_height * 1.0 / bg_height
scale1 = bg_act_width * 1.0 / bg_width
block_act = cv.resize(block, (0,0), fx = scale, fy=scale)

print('scale: ', scale, scale1)
x1,x2 =get_image_deviation(bg, block)
x1 = int(x1*scale)
print("x1x2=", x1, x2)


#部分代码
ActionChains(滑块元素).move_by_offset(xoffset= 移动上面生成的距离, yoffset=0).perform()

#第一次移动后二次识别部分代码

driver.find_elements_by_xpath('//*[@class="yidun_bg-img"]')[1].screenshot('bg1.png')
bg_act1 = cv.imread('bg1.png')
x3,x4=get_image_deviation(bg_act1, block_act)


print("x3x4=", x3, x4)
time.sleep(5)
ActionChains(driver).move_by_offset(xoffset= x1-x3, yoffset=0).perform()

两次图片匹配,识别率来完成,我呵呵了,这个鬼才也算有想法的,不断匹配识别来达到目的,但是电脑截图下来的图片你存哪里了,不保存放内存中自己消化了?图片不变化的话,或许你这种方法有点用

3.利用selenium的鼠标下载图片(成功)

这个就6的狠了,人为的进行打开网页点击保存图片,这里保存图片参看我另外一篇博客,网上很多文章也不行,自己摸索出来的最终解决方案

保存并不算很难,也就耗用了我两小时研究,网上天花乱坠,没营养的代码一堆一堆的,走了很多弯路,这里保存之后命名图片名称是一个难点,毕竟锁定IP并不是锁定一次滑动验证码就可以了,会频繁的锁定,所以要频繁的滑动解锁,这里重点讲解下selenium的删除和命名文件

直接上代码啊

def rnameFile():
    # 查找文件
    path = "E:\\xiazai"#这是你浏览器下载地址
    # os.listdir()方法，列出来所有文件
    # 返回path指定的文件夹包含的文件或文件夹的名字的列表
    files = os.listdir(path)
    # 主逻辑
    # 删除该文件
    os.remove("E:\\xiazai\\bg.png")
    print('删除北京成功')

    # 删除该文件
    os.remove("E:\\xiazai\\huakuai.png")
    print('删除滑块图片成功')

    # 对于批量的操作，使用FOR循环
    for f in files:
        # 调试代码的方法：关键地方打上print语句，判断这一步是不是执行成功
        print(f)

        if "1" in f and f.endswith(".png"):
            # 这里应该打印下载(1).png
            print("原来的文件名字是:{}".format(f))
            # 找到老的文件所在的位置
            old_file = os.path.join(path, f)
            print("old_file is {}".format(old_file))
            # 指定新文件的位置，如果没有使用这个方法，则新文件名生成在本项目的目录中
            new_file = os.path.join(path, "bg.png")
            print("File will be renamed as:{}".format(new_file))
            os.rename(old_file, new_file)
            print("修改后的文件名是:{}".format(f))

        elif "下载" in f and f.endswith(".png"):
            # 这里应该打印下载.png
            print("原来的文件名字是:{}".format(f))
            # 找到老的文件所在的位置
            old_file = os.path.join(path, f)
            print("old_file is {}".format(old_file))
            # 指定新文件的位置，如果没有使用这个方法，则新文件名生成在本项目的目录中
            new_file = os.path.join(path, "huakuai.png")
            print("File will be renamed as:{}".format(new_file))
            os.rename(old_file, new_file)
            print("修改后的文件名是:{}".format(f))


if __name__ == '__main__':
    rnameFile()

二、计算滑块到空缺的距离

1.第一种方法对比像素(此路不通)

#.缺口图片匹配缺口所在图片那一行图片可以提高他识别率
def get_image_deviation():
    ##读取滑块图
    block = cv.imread("img.png", -1) #完整图片有个缺口
    backimg = cv.imread("bg_img.png") #缺口图片
    # block = cv.resize(block, (240, 480))
    # backimg = cv.resize(block, (240, 480))
    ##灰度化
    gray_backimg = cv.cvtColor(backimg, cv.COLOR_RGB2GRAY)
    blockWidth, blockHeight = block.shape[1], block.shape[0]
    ##识别滑块图前景
    ###由于滑块图为带透明的png，可根据透明通道来判断前景位置
    ##识别物体框,生成blockmask
    left = blockWidth
    right = 0
    top = blockHeight
    bottom = 0
    for i in range(0, blockHeight):
        for j in range(0, blockWidth):
            if block[i, j, 3] > 0:
                if j <= left:
                    left = j
                if j >= right:
                    right = j
                if i <= top:
                    top = i
                if i >= bottom:
                    bottom = i
    blockBox = block[top:bottom, left:right]
    blockBox_width, blockBox_height = blockBox.shape[1], blockBox.shape[0]
    print(blockBox_width)
    blockMask = np.zeros([blockBox_height, blockBox_width], np.uint8)
    for i in range(0, blockBox_height):
        for j in range(0, blockBox_width):
            if blockBox[i, j, 3] > 0:
                blockMask[i, j] = 255
    blockBox = cv.cvtColor(blockBox, cv.COLOR_RGBA2GRAY)
    ##由于边界点存在光照影响，为了避免边界点对匹配的影响，进行腐蚀操作
    kernel = np.ones((3, 3), np.uint8)
    blockMask = cv.erode(blockMask, kernel, iterations=1).astype(np.float32)
    backgroundROI = gray_backimg[top:bottom, :]
    ##将backgroundROI、blockBox都转化成float型
    blockBox = (blockBox * 1.0).astype(np.float32)
    backgroundROI = (backgroundROI * 1.0).astype(np.float32)
    ##使用cv的
    res = cv.matchTemplate(backgroundROI, blockBox, cv.TM_CCORR_NORMED, mask=blockMask)
    loc = cv.minMaxLoc(res)
    print("loc==", loc[3][0])
    locs = (loc[3][0])
    return locs

上面代码走不通,这就是没营养的东西

2.第二种方法对比滑块和背景(成功)

# -*- coding: utf-8 -*-
"""
@Time ： ${DATE} ${TIME}
@Auth ： 一蓑烟雨任平生
@File ：${NAME}.py
@IDE ：${PRODUCT_NAME}
@Motto：ABC(Always Be Coding)

"""
import cv2


def FindPic(bg, huakuai):
    """
    找出图像中最佳匹配位置
    :param bg: 你下载的背景图
    :param huakuai: 滑块的图片
    :return: 滑动距离
    """
    target_rgb = cv2.imread(bg)
    target_gray = cv2.cvtColor(target_rgb, cv2.COLOR_BGR2GRAY)
    template_rgb = cv2.imread(huakuai, 0)
    res = cv2.matchTemplate(target_gray, template_rgb, cv2.TM_CCOEFF_NORMED)
    value = cv2.minMaxLoc(res)
    return str(value).split('(')[3].split(',')[0]

3.第二种方法增强版

## 计算距离
def FindPic(bg, huakuai):
    '''
   bg: 背景图片
   tp: 缺口图片
   '''
    # 读取背景图片和缺口图片

    bg_img = cv2.imread(bg)  # 背景图片
    tp_img = cv2.imread(huakuai)  # 缺口图片

    # 识别图片边缘
    bg_edge = cv2.Canny(bg_img, 100, 200)
    tp_edge = cv2.Canny(tp_img, 100, 200)

    # 转换图片格式
    bg_pic = cv2.cvtColor(bg_edge, cv2.COLOR_GRAY2RGB)
    tp_pic = cv2.cvtColor(tp_edge, cv2.COLOR_GRAY2RGB)

    # 缺口匹配
    res = cv2.matchTemplate(bg_pic, tp_pic, cv2.TM_CCOEFF_NORMED)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 寻找最优匹配

    # 绘制方框
    th, tw = tp_pic.shape[:2]
    tl = max_loc  # 左上角点的坐标
    br = (tl[0] + tw, tl[1] + th)  # 右下角点的坐标
    cv2.rectangle(bg_img, tl, br, (0, 0, 255), 2)  # 绘制矩形
    print(tl[0])

    # 返回缺口的X坐标
    return tl[0]

12行代码搞完不香吗?非要搞100多行代码吓唬我啊

三、模仿人为滑动破解

1.计算出速度

这里只要学着人为的开始时候加速,然后减速放进去就OK了

def get_tracks(distance, rate=0.6, t=0.2, v=0):
    """
    将distance分割成小段的距离
    :param distance: 总距离
    :param rate: 加速减速的临界比例
    :param a1: 加速度
    :param a2: 减速度
    :param t: 单位时间
    :param t: 初始速度
    :return: 小段的距离集合
    """
    tracks = []
    # 加速减速的临界值
    mid = rate * distance
    # 当前位移
    s = 0
    # 循环
    while s < distance:
        # 初始速度
        v0 = v
        if s < mid:
            a = 40
        else:
            a = -3
        # 计算当前t时间段走的距离
        s0 = v0 * t + 0.5 * a * t * t
        # 计算当前速度
        v = v0 + a * t
        # 四舍五入距离，因为像素没有小数
        tracks.append(round(s0))
        # 计算当前距离
        s += s0

    return tracks