完整源码和图片在 Github 上 https://github.com/omigo/crack-slide-captcha
一、背景 二、思路 计算滑块移动距离 模拟移动 三、实战 Go 服务 js 脚本 四、体验 五、思考 参考 一、背景 滑块验证码是一项人机识别技术，操作简单，真人体验好，机器识别效果也不差，可以有效防止脚本做任务，增加机器脚本薅羊毛的难度。但其破解也相对简单，这里演示一个Demo，通过 OpenCV 匹配找出滑块位置，计算出滑动距离，然后模拟 js 鼠标事件，在 Chrome 控制台执行脚本，完成破解动作。
二、思路 先看一下效果：
滑块验证码主要有三个元素组成：带缺口的背景大图（bg）、缺口小块（block)、滑块（slide）。
目标是把缺口移动到对应的位置，也就是说要解决两个问题：1.滑块移动距离；2.模拟移动。
计算滑块移动距离 OpenCV 有模板匹配方法，可以通过多种算法找到小图（即模板）在大图中的位置。
- OpenCV 读取 带缺口的背景大图（bg）、缺口小块（block) 图片，原始图片颜色有 256256256 种。
- 把两个图片都转成灰度图片，这样图片只有 256 种颜色了，大大降低计算量，加快匹配速度。
- 二值化，即把图片变成只有纯黑和纯白两种颜色，进一步减小计算量，加快匹配速度。
当然，二值化之后，图片可能出现大面积黑色或大面积白色，造成匹配结果错误。所以本文没有使用二值化，而是使用灰度图像匹配。
- 开始匹配。下面左图是灰度匹配的结果，非常准，右图是二值化后匹配的结果，匹配失败。
匹配过程有一些细节，对匹配结果会造成很大影响，例如，
图片处理非常重要，例如缺口小块是不规则的，边缘透明，那么这部分不能参与匹配，要使用掩码，而且掩码要尽可能和缺口互补。
匹配算法有很多种，选择合适的。
匹配不可能100%准，需要在性能和准确率之间平衡，例如上面提到的是否一定要二值化。
模拟移动 WebAPI 有个 Document.createEvent() 函数，可以用来模拟各种事件。
这里需要模拟的是鼠标移动，主要控制的是反应时间、按下位置、移动速度，大多数人操作验证码在 1-2s ，先快后慢。
这里只是为了演示，论证破解的可行性，所以是匀速滑动的，按下位置是随机的。
三、实战 这里演示的是 Chrome 下破解 腾讯防水墙 可疑用户 滑块验证码 https://007.qq.com/online.html?ADTAG=index.head ，所以使用的工具和技术非常简单，Chrome 控制台+Golang+OpenCV4.5.1。
Chrome 控制台 用于执行 js，获取图片内容，调用 Golang 服务，得到滑动距离，模拟滑动。
Golang 接收图片，调用 OpenCV，匹配缺口位置，返回给客户端。
OpenCV 强大的计算机视觉算法开源库。
Go 服务 js 无法直接调用 OpenCV，但可以调用 Web服务，而且 Web 服务通用性好，可以对接不同的前端。
- 开启一个Go服务，接收参数，并返回移动距离，注意要支持跨域。
接收的参数包括 带缺口的背景大图（bg）、缺口小块（block) 图片 Base64 格式的内容和他们在网页上显示的大小（非真实大小）。显示大小用于缩放图片，使缺口小图能和大图上的缺口大小完全一致，提高匹配成功率。
展开源码
- 图片预处理。
1）先通过 gocv 库，读取图片，注意 缺口小图边缘透明的，所以有 4个通道（BGRA），完整读取。
展开源码
2）把图片大小调整到网页显示的大小。
1 2 3 4 5 func resize(origin gocv.Mat, cols, rows int) gocv.Mat { resized := gocv.NewMatWithSize(cols, rows, origin.Type()) gocv.Resize(origin, &resized, image.Pt(cols, rows), 0, 0, gocv.InterpolationNearestNeighbor) return resized }
3）变成灰度图像。
1 2 3 4 5 func gray(origin gocv.Mat) gocv.Mat { grayed := gocv.NewMat() gocv.CvtColor(origin, &grayed, gocv.ColorBGRToGray) return grayed }
4）二值化（可选）。
1 2 3 4 5 func threshold(origin gocv.Mat) gocv.Mat { thresholdBG := gocv.NewMat() gocv.Threshold(origin, &thresholdBG, 100, 255, gocv.ThresholdBinaryInv) return thresholdBG }
- 匹配。
1）由于缺口小图不规则，所以需要使用掩码，掩码图像刚好就是缺口小图的 Alpha通道 即透明度，所以直接使用这个通道即可。
1 gocv.Split(resized)[3]
2）选定一种算法，不同的算法，结果可能会不一样，开始匹配，并对中间结果归一化处理，然后根据选择的算法，选择最佳匹配结果，即移动距离。
这篇文章对此讲解得非常到位，所以这里不多缀述。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 func match(bg, block, mask gocv.Mat) image.Point { result := gocv.NewMatWithSize( bg.Rows()-block.Rows()+1, bg.Cols()-block.Cols()+1, gocv.MatTypeCV32FC1) defer result.Close()
gocv.MatchTemplate(bg, block, &result, gocv.TmSqdiff, mask)
gocv.Normalize(result, &result, 0, 1, gocv.NormMinMax)
_, _, _, maxLoc := gocv.MinMaxLoc(result)
log.Debug(maxLoc)
return maxLoc
}
js 脚本 1.获取图片内容和大小。
带缺口的背景大图（bg）、缺口小块（block) 都有固定的 id，取得dom的 src 属性，然后通过 FileReader 读出图片内容。
图片大小即 clientWidth/clientHeight。
1 2 3 4 5 6 7 8 9 10 async function toDataURL( url) { const resp = await fetch(url); const blob = await resp.blob(); return new Promise((resolve, reject) => { const reader = new FileReader() reader.onloadend = () => resolve(reader.result) reader.onerror = reject reader.readAsDataURL(blob) }) }
2.调用 Go 服务，得到 移动距离。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 let resp = await fetch('http://127.0.0.1:8080/getdistance', { body: JSON.stringify({ 'bg_base64': bgBase64, 'bg_width': bgElem.clientWidth, 'bg_height': bgElem.clientHeight, 'block_base64': blockBase64, 'block_width': blockElem.clientWidth, 'block_height': blockElem.clientHeight, }), // must match 'Content-Type' header headers: { 'content-type': 'application/json' }, method: 'POST', // GET, POST, PUT, DELETE, etc. mode: 'cors' // no-cors, cors, same-origin }) const data = await resp.json() // parses response to JSON console.log(data.distance)
- 模拟移动。
1）确定滑动位置和滑块元素。
1 2 3 4 5 6 7 8 9 const obj = document.querySelector(slide); console.log(obj) obj.target = '_self'; const _owh = obj.getBoundingClientRect(); let _ox = _owh.width / 2, _oh = _owh.height / 2; _ox = Math.floor(Math.random() _ox + 60); _oh = Math.floor(Math.random() _oh + 60); _ox = _ox + _owh.x; _oh = _oh + _owh.y;
2）创建鼠标事件。
1 2 3 4 5 6 function iME(obj, event, screenXArg, screenYArg, clientXArg, clientYArg) { var mousemove = document.createEvent("MouseEvent"); mousemove.initMouseEvent(event, true, true, window, 0, screenXArg, screenYArg, clientXArg, clientYArg, 0, 0, 0, 0, 0, null); obj.dispatchEvent(mousemove); }
3）计算滑动速度，模拟移动鼠标。
1 2 3 4 5 6 7 8 9 10 11 12 13 var elem = document.querySelector(id), k = 0, interval; iME(elem, "mousedown", 0, 0, clientX, clientY); interval = setInterval(function () { k++; iME(elem, "mousemove", clientX + k, clientY, clientX + k, clientY);
if (k >= distance) {
clearInterval(interval);
iME(elem, "mouseup", clientX + k, clientY, clientX + k, clientY);
}
}, 8);
四、体验 完整代码如下：
match.go 展开源码 slide.js 展开源码
开启 Go 服务，注意 gocv 只是包装了 OpenCV，开启服务前必须安装 OpenCV，参考 https://github.com/hybridgroup/gocv#macos 。
用 Chrome 打开 腾讯防水墙主页 https://007.qq.com/，依次点击 "可疑用户"-"体验验证码"，弹出滑块验证码。
调出开发者工具，选择 "控制台"，由于滑块验证码嵌入在 iframe 中，所以要把控制台的上下文从 "top" 切换成 "tcaptcha_iframe(cap_union_new_show)"。（注意是 cap_union_new_show， 不是 drag_ele.html。）
把 slide.js 所有代码粘贴到控制台，回车执行 js，即可看到滑块验证码开始移动。如果一次不成功，再点击"体验验证码"，上下文，多试几次，因为匹配不能保证100%准确。（注意每次执行执行 js 前都要切换上下文，否则会报错找不到对象。）
五、思考
匹配前还可以根据验证码特点做很多优化，例如 缺口高度是固定的，而且位置都靠右，这样匹配位置可以确定在很小的范围内，大大提高匹配效率。
验证码生成过程是很耗时的，一般系统都是预先生成有限个验证码图片，重复利用，所以，如果加上缓存，同样的验证码图片无需重复计算滑动距离，匹配算法变成一次简单的查缓存了。
真人滑动验证码是有一定反应时间的，不如机器反应灵敏，所以真实情况破解程序要休眠一点时间。
真人滑动验证码，到终点时不仅速度慢，结果还有可能不会完全吻合，相差几个像素，还有可能来回微小移动。
真人滑动验证码，按下位置可能在滑块（slide）中间部位，但不会每次都是正中。
移动端的验证码真人是用手指滑动的，所以按压力度也需要注意。
真人滑动验证码滑动过程，即轨迹，不会完全是直线的。
所以破解验证码，不仅要计算滑动距离，还要模拟反应时间、按下位置、移动速度，还要模拟按压力度、滑动轨迹（并非绝对直线）。
除此只外，当前环境和脚本也需要伪装或隐藏，所处的位置（IP、GPS等）、使用的设备等信息在破解量大时需要不断更换。
当然破解是个对抗的过程，如果验证码没有对移动速度、滑动轨迹、设备、环境等做风控策略，那么破解就相对简单。
转换一个角色，验证码防护如果做了各个方面的策略（除上面提到的，还有其他策略），不需要面面俱到，也不需要做得非常复杂，仅仅在多个方面都做一些简单的风控，就可以拦截大部分机器脚本，大大增加破解难度。
参考 GoCV： https://github.com/hybridgroup/gocv
破解腾讯拼图验证码： https://www.freebuf.com/geek/265662.html
破解顶象： https://www.freebuf.com/geek/265479.html
《腾讯防水墙滑动拼图验证码》 《百度旋转图片验证码》 《网易易盾滑动拼图验证码》 《顶象区域面积点选验证码》
有疑问加站长微信联系（非本文作者）
这个可以有啊