大数据中自动化“滑板验证”实现账密登录的解决思路是什么

发布时间：2021-12-06 09:36:55 作者：柒染
来源：亿速云阅读：141

本篇文章给大家分享的是有关大数据中自动化“滑板验证”实现账密登录的解决思路是什么，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

很早以前只要使用账号和密码，就可以实现网站自动化登录。但是后来网站的登录验证逐步升级，出现了滑块验证。实际上更多更复杂的新验证方法不断出现（滑块验证已经属于比较传统的验证方法了）。但是对图像处理的思路还可以借鉴一下。

首先，我们使用账密登录。

然后页面会弹出滑板掩码的图片如下。

在早期，网站会给出两幅图片，一副是有滑块的图像，一副是没有滑块的图像。

请注意这里“滑板”和“滑块”的区别：

“滑板”是整个图片，
“滑块”是下图中左侧的小方块，
验证方法是拖动滑块到右侧颜色空缺的位置。

但是到了后期，为了增加登录难度，只给出一副图像，就是包含了滑块的滑板图像。

大数据中自动化“滑板验证”实现账密登录的解决思路是什么

所以，为了实现图像识别，首先我们不得不消除滑块。方法是：设置滑块元素的隐藏。

我们使用node.js的puppeteer包。这个包能够对页面元素进行操作。

隐藏滑块的代码是：

await frame_slider.$eval('.tcaptcha-jpp',    (el, value)=> el.setAttribute('style', value),    'visibility: hidden');

然后图像就变成下面的样子了（左侧的滑块消失了）。

大数据中自动化“滑板验证”实现账密登录的解决思路是什么

为了将滑块移动到缺口位置，首先我们要计算缺口位置的坐标。

图像由像素点组成。每个像素点包含三个颜色：红色(Red)、绿色(Green)、蓝色(Blue)。就是通常所说的RGB。后来又增加了一个透明度的标识Alpha。于是每个像素点就有四个值：RGBA。

我们使用getPixels得到图片的像素集合，再转化成Buffer。

const pixels = await util.promisify(getPixels)(path).catch((e) => {console.log('----->e is: ', e)})const buf = Buffer.from(pixels.data);

于是我们就等到了整幅图像的RGBA数据。

本文关键的解决思路如下：

1、取每行每列的RGB值；

2、将每列的RGB值，与其前一列的RGB值比较（得到RGB的差）；

3、观察差值的范围，然后取一个可识别出缺口位置的阈值，我取了50；
4、取阈值为50的含义是：当差值大于50的时候，设置标识为1，否则设置标识为0；

5、然后将所有的列的标识（1或 0）相加，得到每列标识的合计数；

6、排名第一和第二的列的列数，就是缺口的左边和右边的位置；

7、列数小的为缺口的左侧，列数大的为缺口的右侧。

8、获得了缺口的位置，将滑块拖动到这个位置，就实现了滑块验证。如下图：

大数据中自动化“滑板验证”实现账密登录的解决思路是什么

到此，滑板验证完成了，即实现了自动化登录。

参考了很多确定图像缺口的代码中，比较多的方法都很难实现近乎100%的准确性。但是上述方法几乎实现。所以这种解决方法值得参考。

完整代码如下：

const getPixels = require("get-pixels");const util = require('util');
(async ()=> {    path = 'images/origin.png';    const pixels = await util.promisify(getPixels)(path).catch((e) => {console.log('----->e is: ', e)})    const buf = Buffer.from(pixels.data);    let bl = buf.toJSON().data.length/4    let btoj = buf.toJSON().data    let buf1 = []    for (var i=0; i<bl; i++) {        var j = i*4        buf1.push(btoj.slice(j,j+4))    }    let slider_bkg_width = 340    let slider_bkg_height = 195    let buf2 = []    for (var i=0; i<slider_bkg_height; i++) {        var j = i*slider_bkg_width        buf2.push(buf1.slice(j,j+slider_bkg_width))    }    let slider_block_height = 68      // 滑块的高度    let slider_bkg_end = 339          // =340-1， 滑板的宽度，从最右侧开始进行扫描    let slider_bkg_top = 64           // 滑板的顶部    let slider_bkg_bottom = 259       // 滑板的底部    let sliger_bkg_height = 195       // 259 - 64    let slider_bkg_half_width = 169   // =340/2-1， 缺口位置一般都是滑板的右半部分，所以扫描结束位置，定在滑板的中线    let col_compu = []    for (var rgba=0; rgba<3; rgba++) {                                           // 一个RGBA单元包含4个元素，循环取前 3 个        for (var t=0; t<sliger_bkg_height; t++) {                                // t 代表每一行，从滑块的 top 位置开始，一共扫描 68 行，也就是滑块的高度            for (var w=slider_bkg_end; w>slider_bkg_half_width; w--) {           // w 代表每一列，从340列开始到170列为止，一共170列，代表从右向左数的滑板宽度的一半                col_compu.push({'col':w,'count':(buf2.slice(t,t+1)[0][w-1][rgba] - buf2.slice(t,t+1)[0][w][rgba])>50?1:0})            }        }    }    var result = {}    // 计算每一列的合计数    col_compu.map(i => result[i.col] = (result[i.col] || 0) + i.count)    // 排序    var keys = Object.keys(result).sort();    var comp = 0    var comp_col = 0    for (var ttt=0; ttt<keys.length; ttt++) {        [comp_col, comp] = result[keys[ttt]] > comp ? [keys[ttt], result[keys[ttt]]] : [comp_col, comp]    }    console.log('----->comp is: ', comp)    console.log('----->comp_col is: ', comp_col)
    var result2 = result    result2[comp_col] = 0    var keys2 = Object.keys(result2).sort();    var comp2 = 0    var comp_col2 = 0    for (var tttt=0; tttt<keys2.length; tttt++) {        [comp_col2, comp2] = result2[keys2[tttt]] > comp2 ? [keys2[tttt], result2[keys2[tttt]]] : [comp_col2, comp2]    }
    let realcol = comp_col<comp_col2?comp_col:comp_col2    console.log('=====----->realcol is: ', realcol)
})();

以上就是大数据中自动化“滑板验证”实现账密登录的解决思路是什么，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注亿速云行业资讯频道。

大数据中自动化“滑板验证”实现账密登录的解决思路是什么

相关阅读