爬虫中级——滑块验证码的应对方法

嘘嘘出差2026-07-16 8:23

爬虫中级------滑块验证码 JS 逆向与自动化采集实战

从接口逆向到图像识别，构建永不放弃的滑块验证码爬虫

1. 引言

在爬虫进阶之路上，滑块验证码 是继文字验证码之后的又一道"拦路虎"。它通过要求用户拖动拼图块至缺口位置，来区分人类和机器。对于爬虫而言，最核心的任务不再是 OCR 识别字符，而是精确计算滑块的位移距离。

本文将带你从 JS 逆向 的角度，深入分析滑块验证码的交互流程、接口设计，并结合 OpenCV 图像匹配 实现全自动位移计算。最终，我们将打造一套"永不放弃"的爬虫系统，稳定采集 100 页数字并求和。

技术栈：Python + requests + OpenCV + NumPy + PIL

2. 挑战目标

  • 目标网站 ：https://www.spiderdemo.cn/captcha/cap4_challenge/?challenge_type=cap4_challenge
  • 任务：采集 100 页数字，每页 10 个随机整数，计算总和并提交答案。
  • 验证机制：第二页开始，翻页需通过滑块拼图验证。
  • 与第一代区别：验证方式从"输入字符"变为"拖动滑块"，无需 OCR，需图像处理。

3. 第一步：JS 逆向与接口分析

3.1 打开开发者工具，观察交互流程

  1. 访问挑战页，默认显示第 1 页数字（无需验证）。
  2. 点击"下一页"或直接访问 page=2，页面弹出滑块验证区域。
  3. 验证码区域自动加载背景图和滑块图片。
  4. 用户拖动滑块，松开后自动提交验证。
  5. 若验证通过，返回该页数字；否则刷新验证码重试。

3.2 关键接口捕获

通过 F12 → Network，我们捕获到三个核心接口：

（1）初始化接口（/init/）
  • 请求 ：GET /captcha/api/cap4_challenge/init/?challenge_type=cap4_challenge
  • 响应 ：包含 success、page_data（第一页数字）、has_passed_before 等。
  • 作用：建立会话，并直接返回第一页数据，避免首次验证。
（2）滑块验证码图片接口（/captcha_image/）

  • 请求 ：GET /captcha/api/cap4_challenge/captcha_image/?t=时间戳

  • 响应示例 ：

    json 复制代码 
    {
  "masked": "base64编码的PNG（拼图块，带透明背景）",
  "overlay": "base64编码的WebP（带缺口的背景图）",
  "image_info": {
    "bg_width": 400,
    "bg_height": 240,
    "mask_width": 50,
    "mask_height": 50
  },
  "slider_y": 80,
  "captcha_id": "abc123..."
}

  • 关键字段 ：

    • overlay：背景图，缺口位置即为目标。
    • masked：可拖动的拼图块。
    • image_info：原始图片尺寸。
    • slider_y：缺口在垂直方向的偏移（用于对齐）。
    • captcha_id：本次验证的唯一标识，提交时必须附带。
（3）提交验证并获取数据（/page/）

  • 请求 ：POST /captcha/api/cap4_challenge/page/

  • 请求体 ：

    json 复制代码 
    {
  "distance": 120,          // 滑块水平位移（像素）
  "page_num": 2,
  "challenge_type": "cap4_challenge",
  "captcha_id": "abc123...",
  "container_width": 400,   // 当前容器宽度
  "container_height": 240   // 当前容器高度
}

  • 响应 ：成功时返回 {"success": true, "page_data": [8629, 7103, ...]}。

3.3 逆向分析前端逻辑

查看 cap4_challenge.js 源码，发现前端将滑块拖动的距离直接赋给 window.sliderDistance，并在 verifyCaptchaAndGetData 中将其作为 distance 提交。前端并未进行缺口位置计算 ，而是依赖用户手动拖动。因此，我们无需逆向加密算法，只需准确模拟用户拖动的距离即可。

重点在于理解 distance 的物理意义：

  • 它是滑块左边缘相对于初始位置的像素位移。
  • 有效范围受容器尺寸和图片缩放影响。
  • 前端在 setupSliderDynamic 中根据容器实际尺寸计算缩放，并调整滑块显示大小。

通过分析，我们得出 distance = x * scale，其中 x 是缺口在原始背景图中的水平坐标，scale = container_width / bg_width。因此，我们只需通过图像匹配得到 x，再乘以 scale 即可。

4. 图像匹配：计算缺口位置

4.1 准备 OpenCV

我们使用 OpenCV 的模板匹配功能，在背景图中寻找拼图块的最佳匹配位置。

步骤：

  1. 将 overlay 和 masked 的 base64 数据解码为 OpenCV 图像（BGR 格式）。
  2. 转为灰度图（减少计算量）。
  3. 使用 cv2.matchTemplate 进行模板匹配（方法 TM_CCOEFF_NORMED）。
  4. 从匹配结果中获取最大值位置 (x, y)，即缺口左上角在原始背景图中的坐标。
  5. 根据 image_info 和容器宽度计算最终 distance。

4.2 缩放比例处理

前端代码中，container_width 默认由 CSS 决定（通常为 400px），图片原始宽度 bg_width 已知（来自 image_info）。

缩放比例 scale = container_width / bg_width。

缺口在容器中的位置 distance = x * scale，同时要确保 distance 不超过最大可拖动距离 (bg_width - mask_width) * scale。

注意 ：如果页面响应式导致 container_width 变化，可在爬虫中通过获取页面元素宽度动态调整，但大多数情况下固定为 400 即可。

5. Python 实现：全自动滑块验证爬虫

5.1 环境准备

bash 复制代码 
pip install requests pillow opencv-python numpy

注意：若系统已有依赖冲突，建议使用虚拟环境。本爬虫依赖 OpenCV 4.x，兼容 numpy 1.x。

5.2 核心代码结构

我们将沿用前代爬虫的 健壮框架：

  • requests.Session 保持 Cookie。
  • 手动提供登录态 Cookie。
  • 调用 /init/ 初始化会话。
  • 每一页采用"无限重试"策略，失败时指数退避。
  • 图像匹配失败或验证失败时自动重试。
关键函数清单
函数 功能
init_challenge() 初始化，返回第一页数据（若有）
get_captcha() 获取滑块图片和 captcha_id
calculate_distance() 模板匹配，返回 distance
fetch_page_forever() 无限重试，直至成功获取该页数据
main() 主循环，累加 100 页和

5.3 完整代码

python 复制代码 
import requests
import time
import cv2
import numpy as np
import base64
import random
from PIL import Image

# ======================== 配置 ========================
BASE_URL = "https://www.spiderdemo.cn"
INIT_URL = BASE_URL + "/captcha/api/cap4_challenge/init/"
CAPTCHA_IMAGE_URL = BASE_URL + "/captcha/api/cap4_challenge/captcha_image/"
DATA_URL = BASE_URL + "/captcha/api/cap4_challenge/page/"
CHALLENGE_TYPE = "cap4_challenge"

INITIAL_DELAY = 2
MAX_DELAY = 15
PAGE_INTERVAL = 1.5

# ======================== 会话与 Cookie ========================
session = requests.Session()
session.headers.update({
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36',
    'Referer': BASE_URL + '/',
})

# ========== 请替换为你的 Cookie 字符串（从浏览器复制） ==========
COOKIE_STR = "sessionid=你的sessionid; csrftoken=你的csrftoken"
for item in COOKIE_STR.split('; '):
    if '=' in item:
        k, v = item.split('=', 1)
        session.cookies.set(k, v)

# ======================== 初始化 ========================
def init_challenge():
    print("🔧 初始化挑战...")
    resp = session.get(INIT_URL, params={'challenge_type': CHALLENGE_TYPE})
    if resp.status_code == 200:
        data = resp.json()
        if data.get('success'):
            print("✅ 初始化成功")
            return data.get('page_data')
        else:
            print(f"⚠️ 初始化失败: {data.get('error')}")
            return None
    else:
        print(f"❌ 初始化 HTTP 错误: {resp.status_code}")
        return None

# ======================== 获取滑块验证码 ========================
def get_captcha():
    """返回 (captcha_id, bg_img, piece_img, image_info)"""
    resp = session.get(CAPTCHA_IMAGE_URL, params={'t': int(time.time()*1000)})
    if resp.status_code != 200:
        raise Exception(f"获取验证码失败，状态码 {resp.status_code}")
    data = resp.json()
    
    captcha_id = data['captcha_id']
    image_info = data['image_info']
    
    # base64 解码
    bg_b64 = data['overlay'].split(',')[1] if ',' in data['overlay'] else data['overlay']
    piece_b64 = data['masked'].split(',')[1] if ',' in data['masked'] else data['masked']
    
    bg_bytes = base64.b64decode(bg_b64)
    piece_bytes = base64.b64decode(piece_b64)
    
    # 转为 OpenCV 图像
    bg_img = cv2.imdecode(np.frombuffer(bg_bytes, np.uint8), cv2.IMREAD_COLOR)
    piece_img = cv2.imdecode(np.frombuffer(piece_bytes, np.uint8), cv2.IMREAD_COLOR)
    
    return captcha_id, bg_img, piece_img, image_info

# ======================== 计算滑动距离 ========================
def calculate_distance(bg, piece, image_info, container_width=400):
    bg_gray = cv2.cvtColor(bg, cv2.COLOR_BGR2GRAY)
    piece_gray = cv2.cvtColor(piece, cv2.COLOR_BGR2GRAY)
    
    # 模板匹配
    result = cv2.matchTemplate(bg_gray, piece_gray, cv2.TM_CCOEFF_NORMED)
    _, max_val, _, max_loc = cv2.minMaxLoc(result)
    x, y = max_loc
    
    # 缩放
    bg_width = image_info['bg_width']
    scale = container_width / bg_width
    distance = int(round(x * scale))
    
    # 限制范围
    max_dist = int(round((bg_width - image_info['mask_width']) * scale))
    distance = min(max_dist, max(0, distance))
    return distance

# ======================== 无限重试获取页面数据 ========================
def fetch_page_forever(page_num):
    # 先尝试直接请求（可能不需要验证码）
    resp = session.post(DATA_URL, json={
        'page_num': page_num,
        'challenge_type': CHALLENGE_TYPE
    })
    if resp.status_code == 200:
        data = resp.json()
        if data.get('success'):
            return data['page_data']
        elif '滑块' in data.get('error', '') or '验证' in data.get('error', ''):
            # 需要验证，进入下方流程
            pass
        else:
            # 其他错误，等待后重试
            time.sleep(INITIAL_DELAY)
            return fetch_page_forever(page_num)

    delay = INITIAL_DELAY
    while True:
        try:
            captcha_id, bg, piece, info = get_captcha()
            distance = calculate_distance(bg, piece, info)
            distance += random.randint(-2, 2)  # 模拟人类微调
            print(f"  计算滑动距离: {distance}px")
            
            payload = {
                'distance': distance,
                'page_num': page_num,
                'challenge_type': CHALLENGE_TYPE,
                'captcha_id': captcha_id,
                'container_width': 400,
                'container_height': 240
            }
            resp = session.post(DATA_URL, json=payload)
            if resp.status_code == 200:
                data = resp.json()
                if data.get('success'):
                    return data['page_data']
                else:
                    error = data.get('error', '')
                    print(f"  提交失败: {error}")
                    if '滑块' in error or '验证' in error:
                        time.sleep(delay)
                        delay = min(delay * 2, MAX_DELAY)
                        continue
                    else:
                        time.sleep(delay)
                        delay = min(delay * 2, MAX_DELAY)
                        continue
            elif resp.status_code == 405:
                print("  收到405，重新初始化...")
                init_challenge()
                time.sleep(2)
                continue
            else:
                print(f"  HTTP 错误: {resp.status_code}")
                time.sleep(delay)
                delay = min(delay * 2, MAX_DELAY)
                continue
        except Exception as e:
            print(f"  异常: {e}")
            time.sleep(delay)
            delay = min(delay * 2, MAX_DELAY)
            continue

# ======================== 主流程 ========================
def main():
    init_data = init_challenge()
    total_sum = 0
    start_page = 2 if init_data else 1
    if init_data:
        total_sum += sum(init_data)
        print(f"第一页数字: {init_data}, 本页和: {sum(init_data)}")
    
    print("\n开始采集 100 页...")
    for page in range(start_page, 101):
        print(f"\n--- 正在采集第 {page} 页 ---")
        numbers = fetch_page_forever(page)
        page_sum = sum(numbers)
        total_sum += page_sum
        print(f"  数字: {numbers}")
        print(f"  本页和: {page_sum}, 累计总和: {total_sum}")
        if page < 100:
            print(f"  等待 {PAGE_INTERVAL} 秒...")
            time.sleep(PAGE_INTERVAL)
    
    print("\n" + "="*50)
    print(f"所有数字总和: {total_sum}")
    print("="*50)

if __name__ == "__main__":
    main()

6. 运行与调试

  1. 手动登录 https://www.spiderdemo.cn/admin_I/。
  2. 按 F12 → Application → Cookies → 复制 sessionid 和 csrftoken。
  3. 替换代码中的 COOKIE_STR。

6.2 执行脚本

bash 复制代码 
python slider_captcha.py

程序将自动完成 100 页采集，过程中会输出每页的进度和最终总和。

6.3 常见问题与解决

问题 原因 解决方案
401/登录错误 Cookie 过期或无效 重新登录，更新 Cookie
405 Method Not Allowed 未初始化或会话失效 程序会自动重新初始化，若无，请检查 INIT_URL 是否正确
验证码总是失败 图像匹配不准确 调整 container_width，或改用其他匹配方法（如 TM_CCORR_NORMED）
OpenCV 依赖错误 numpy 版本冲突 使用虚拟环境或降级 OpenCV 到 4.x

7. 总结与展望

7.1 核心收获

  • JS 逆向 ：通过分析前端代码，我们明确了 distance 的来源和计算方法，无需破解加密，只需模拟真实操作。
  • 图像匹配：OpenCV 模板匹配有效解决了缺口定位问题，配合缩放计算，得到精准位移。
  • 健壮性设计：无限重试 + 指数退避 + 自动初始化，确保了长时间运行的成功率。

7.2 可优化方向

  • 动态容器尺寸：若页面自适应，可通过 Selenium 或解析 CSS 获取实际容器宽高。
  • 多模板匹配：尝试多种匹配算法，取最优结果。
  • 增加日志记录：记录每次重试的细节，便于分析失败原因。

滑块验证码的本质是"人机交互"，而我们的爬虫通过"逆向 + 图像处理"成功模拟了这一交互。 希望本文能为你攻克滑块验证码提供一条清晰的思路。如有问题，欢迎交流讨论！

相关推荐
明月_清风16 小时前
robots.txt 完全指南：从入门到精通
后端·爬虫
明月_清风16 小时前
从零写一个"像人"的爬虫：反爬攻防实战指南
后端·爬虫
嘘嘘出差2 天前
从零到精通：爬虫技术进阶路线全解析
爬虫
嘘嘘出差2 天前
Python 爬虫入门实战：爬取豆瓣电影 Top 250
开发语言·爬虫·python
嘘嘘出差2 天前
天气数据监控系统
jvm·爬虫
小花皮猪3 天前
Bright Data CLI 入门教程：命令行实现 Web Scraping 与结构化数据采集
爬虫
Maiko Star3 天前
Python项目实战——网络机器人（爬虫）
爬虫·python·机器人
STDD3 天前
n8n 实战工作流模板：GitHub→飞书通知、定时爬虫→数据库、Webhook→多渠道推送
爬虫·github·飞书
跨境数据猎手4 天前
反向海淘实战｜独立站搭建+国内电商API对接
开发语言·爬虫·架构
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03AI科技热点日报 | 2026年07月01日04幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南05AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07GPT-5.5 对比 GPT-5.6 Sol、Terra、Luna：官方性能数据与选型分析08国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）09Codex 下载安装指南：Windows 和 macOS 官方版下载10几个好用的ip纯净度检测网站