Selenium实现滑动滑块验证码验证_selenium滑块验证码实现

class CrackSlider(object):
    """
    滑动验证码工具
    1、add_alpha_channel：为jpg图像添加alpha通道
    2、handel_img：灰度处理，再对图像进行高斯处理，最后进行边缘检
    3、match：获取到移动距离
    """
 
    def __add_alpha_channel(self, img):
        """ 为jpg图像添加alpha通道 """
 
        r_channel, g_channel, b_channel = cv2.split(img)  # 剥离jpg图像通道
        alpha_channel = np.ones(b_channel.shape, dtype=b_channel.dtype) * 255  # 创建Alpha通道
 
        img_new = cv2.merge((r_channel, g_channel, b_channel, alpha_channel))  # 融合通道
        return img_new
 
    def __handel_img(self, img):
        """灰度处理，再对图像进行高斯处理，最后进行边缘检"""
        imgGray = cv2.cvtColor(img, cv2.COLOR_RGBA2GRAY)  # 转灰度图
        imgBlur = cv2.GaussianBlur(imgGray, (5, 5), 1)  # 高斯模糊
        imgCanny = cv2.Canny(imgBlur, 60, 60)  # Canny算子边缘检测
        return imgCanny
 
    def match(self, element, img1_path, img2_path, num1, num2):
        """
        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。
        传入 全图位置、缺口位置、浏览器图片宽度、本地图片宽度 获取到移动距离
        element：元素对象
        img_jpg_path：全图
        img_png_path：缺口
        num1：浏览器图片宽度
        num2：本地图片宽度
        """
        # 读取图像
        img1_path = cv2.imread(img1_path, cv2.IMREAD_UNCHANGED)
        img2_path = cv2.imread(img2_path, cv2.IMREAD_UNCHANGED)
        # 判断jpg图像是否已经为4通道
        if img1_path.shape[2] == 3:
            img1_path = self.__add_alpha_channel(img1_path)
        img = self.__handel_img(img1_path)
        small_img = self.__handel_img(img2_path)
        res_TM_CCOEFF_NORMED = cv2.matchTemplate(img, small_img, 3)
        value = cv2.minMaxLoc(res_TM_CCOEFF_NORMED)
        value = value[3][0]  # 获取到移动距离
        value = value * num1 / num2 - element.location['x']
        return value
 
    def get_pos(self, element, img1, num, num1, num2):
        """
        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。
        传入 图片、缺口像素、浏览器图片宽度、本地图片宽度 获取移动像素
        :param element: 元素位置
        :param imageSrc: 图片地址
        :param num: 图片缺口长宽像素，基本上长宽必须一致
        :param num1: 浏览器图片宽度
        :param num2: 本地图片宽度
        :return: 缺口x坐标
        """
        # 读取图像文件并返回一个image数组表示的图像对象
        image = cv2.imread(img1)
        # 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原来基础上下百分之四之间，周长在原来基础上下百分之四之间，则是目标区域
            if num*num-num*num/4 < area < num*num+num*num/4 and num*4-num*4/4 < length < num*4+num*4/4:
                # 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("img/test.jpg", image)
                return x * num1 / num2 - element.location['x']
        return 0
 
    def add_img1(self, img1):
        """
        将http图片保存到本地
        img1：全图url
        """
        urllib.request.urlretrieve(img1, 'img/img1.jpg')
 
    def add_img2(self, img1, img2):
        """
        将http图片保存到本地
        img1：全图url
        img2：缺口url
        """
        urllib.request.urlretrieve(img1, 'img/img1.jpg')
        urllib.request.urlretrieve(img2, 'img/img2.jpg')
 
    def slowly(self, driver, element, Dis):
        """
        慢慢滑动滑块模拟人的操作，一次次移动一点点
        传入 浏览器对象、元素位置、移动距离 实现移动滑块
        :param driver: 浏览器对象
        :param element: 元素位置
        :param Dis: 移动距离
        :return:
        """
        ActionChains(driver).click_and_hold(element).perform()
        # 移动小滑块，模拟人的操作，一次次移动一点点
        i = 0
        moved = 0
        while moved < Dis:
            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, element.location['x']))
            i += 1
        # 移动完之后，松开鼠标
        ActionChains(driver).release().perform()