在电商数据采集场景中，验证码是网站反爬体系的重要屏障。常见的图文验证码与滑动验证码，分别通过 “文字识别障碍” 和 “行为真实性验证” 拦截机器爬虫。本文将拆解两种验证码的核心逻辑，结合 Python 工具库提供可落地的破解方案，同时探讨反反爬的关键技巧。

一、图文验证码：从 “干扰识别” 到 “精准提取”

图文验证码通过在文字中叠加噪点、干扰线、扭曲变形等元素，阻碍机器直接识别。破解核心是先预处理图像去除干扰，再通过 OCR 技术提取文字。

1. 核心原理与破解流程

电商网站的图文验证码多为 “固定背景 + 随机文字 + 动态干扰” 结构，破解需 3 步：

1. 图像预处理：去噪（删除孤立噪点）、二值化（将图像转为黑白对比）、去干扰线（消除横纵线条）；
2. 文字定位：分割验证码中的单个字符（若为多字符组合）；
3. OCR 识别：通过光学字符识别技术将图像文字转为文本。

2. 适配 Python 库

库名称	功能用途	安装命令
Pillow(PIL)	基础图像处理（裁剪、二值化）	pip install pillow
OpenCV-python	高级图像预处理（去噪、边缘检测）	pip install opencv-python
pytesseract	OCR 识别（基于 Tesseract 引擎）	pip install pytesseract
matplotlib	图像可视化（调试用）	pip install matplotlib

注意：pytesseract需依赖 Tesseract 引擎，需单独安装（Windows：下载安装包并配置环境变量；Linux：sudo apt-get install tesseract-ocr）。

3. 实操代码示例

以某电商网站的 4 位数字图文验证码为例，实现破解：

import cv2
import pytesseract
from PIL import Image
import matplotlib.pyplot as plt

# 1. 加载验证码图像
img = cv2.imread("ecommerce_captcha.png")
# 转为灰度图（简化处理）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 图像预处理：去噪+二值化
# 高斯模糊去噪
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
# 二值化（阈值127，高于设为255白，低于设为0黑）
_, thresh = cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY_INV)

# 3. 去除干扰线（形态学操作）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
# 开运算（先腐蚀再膨胀，消除细线条）
processed_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 4. OCR识别
# 转为PIL图像（pytesseract适配格式）
pil_img = Image.fromarray(processed_img)
# 限定识别范围为数字（提高准确率）
result = pytesseract.image_to_string(pil_img, config="--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789")

# 5. 输出结果
print("图文验证码识别结果：", result.strip())
# 可视化处理前后对比
plt.subplot(1,2,1)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title("原始图像")
plt.subplot(1,2,2)
plt.imshow(processed_img, cmap="gray")
plt.title("预处理后图像")
plt.show()

4. 优化技巧

• 若识别准确率低（如汉字、扭曲文字），可使用深度学习模型（如 CNN）训练自定义识别器，推荐库：keras、tensorflow；

• 对倾斜文字，可通过cv2.getRotationMatrix2D()旋转校正；

• 批量处理时，缓存预处理参数（如阈值、卷积核大小），减少重复调试。

二、滑动验证码：从 “轨迹模拟” 到 “行为伪装”

滑动验证码要求用户拖动滑块拼合残缺图像，核心反爬逻辑是检测滑块位置准确性 + 滑动轨迹是否符合人类行为（如匀速滑动、瞬间跳转易被判定为机器）。破解关键是精准计算缺口位置 + 模拟自然滑动轨迹。

1. 核心原理与破解流程

电商滑动验证码多为 “背景图 + 缺口滑块” 结构，破解需 4 步：

1. 获取图像：下载完整背景图和带缺口的背景图（或单独的滑块图）；
2. 计算缺口位置：通过图像比对找到缺口在背景图中的坐标；
3. 生成自然轨迹：模拟人类 “先加速后减速” 的滑动节奏，避免匀速；
4. 模拟滑动操作：通过浏览器自动化工具拖动滑块。

2. 适配 Python 库

库名称	功能用途	安装命令
requests	发送 HTTP 请求获取验证码图像	pip install requests
OpenCV-python	图像比对（计算缺口位置）	pip install opencv-python
Selenium	浏览器自动化（模拟滑动）	pip install selenium
webdriver-manager	自动管理浏览器驱动（无需手动配置）	pip install webdriver-manager
numpy	数值计算（轨迹生成）	pip install numpy

3. 实操代码示例

以某电商网站滑动验证码为例，基于 Selenium 实现破解：

import requests
import cv2
import numpy as np
from selenium import webdriver
from selenium.webdriver.common.action_chains import ActionChains
from webdriver_manager.chrome import ChromeDriverManager
import time

# 1. 配置浏览器（无头模式可选，减少可视化干扰）
driver = webdriver.Chrome(ChromeDriverManager().install())
driver.get("https://example-ecommerce.com/login")  # 电商登录页（含滑动验证码）
time.sleep(2)  # 等待页面加载

# 2. 获取验证码图像（背景图+滑块图，需按实际网站DOM结构调整XPATH）
def get_captcha_img(driver, xpath):
    """根据XPATH获取图像并转为OpenCV格式"""
    img_element = driver.find_element("xpath", xpath)
    # 获取图像URL并下载
    img_url = img_element.get_attribute("src")
    img_response = requests.get(img_url)
    with open("temp_img.png", "wb") as f:
        f.write(img_response.content)
    # 转为OpenCV图像
    return cv2.imread("temp_img.png", 0)  # 0表示灰度图

# 下载背景图（完整图）和缺口图（带缺口的背景图）
bg_img = get_captcha_img(driver, '//div[@class="bg-img"]/img')
gap_img = get_captcha_img(driver, '//div[@class="gap-img"]/img')

# 3. 计算缺口位置（模板匹配：用缺口图匹配背景图中的缺口）
def find_gap_pos(bg_img, gap_img):
    """返回缺口在背景图中的x坐标"""
    # 模板匹配（TM_CCOEFF_NORMED方法：匹配度越高，值越接近1）
    result = cv2.matchTemplate(bg_img, gap_img, cv2.TM_CCOEFF_NORMED)
    # 找到匹配度最高的位置
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
    # 缺口宽度的一半（滑块需移动到缺口中心）
    gap_width = gap_img.shape[1] // 2
    return max_loc[0] + gap_width

gap_x = find_gap_pos(bg_img, gap_img)
print("缺口位置x坐标：", gap_x)

# 4. 生成自然滑动轨迹（先加速后减速）
def generate_trace(distance):
    """根据滑动距离生成轨迹（x坐标列表）"""
    trace = []
    current_x = 0
    # 总时间（人类滑动约0.5-1秒）
    total_time = 0.8
    # 时间间隔（每0.01秒记录一次位置）
    interval = 0.01
    # 加速度阶段（前60%距离）
    accelerate_distance = distance * 0.6
    while current_x < distance:
        if current_x < accelerate_distance:
            # 加速度a=2，速度v=v0+at
            speed = current_x / (total_time * 0.6)
        else:
            # 减速阶段（加速度为负）
            speed = (distance - current_x) / (total_time * 0.4)
        # 每次移动的距离
        move_x = speed * interval
        current_x += move_x
        trace.append(round(current_x))
    # 确保最终位置准确（避免误差）
    if trace[-1] != distance:
        trace[-1] = distance
    return trace

# 滑块初始位置x坐标（需按实际网站调整，如滑块初始在x=20处）
start_x = 20
distance = gap_x - start_x
trace = generate_trace(distance)

# 5. 模拟滑动操作
# 找到滑块元素（按实际DOM结构调整XPATH）
slider = driver.find_element("xpath", '//div[@class="slider"]')
# 按下滑块
ActionChains(driver).click_and_hold(slider).perform()
time.sleep(0.1)
# 按轨迹滑动
for x in trace:
    ActionChains(driver).move_by_offset(x - start_x - sum(trace[:trace.index(x)]), 0).perform()
    time.sleep(0.01)
# 松开滑块
ActionChains(driver).release().perform()

# 6. 验证结果（观察页面是否跳转，或是否提示验证成功）
time.sleep(2)
if "登录成功" in driver.page_source:
    print("滑动验证码破解成功！")
else:
    print("滑动验证码破解失败，需调整轨迹或缺口计算逻辑。")

driver.quit()

4. 反反爬关键技巧

• 轨迹优化：加入随机小抖动（如 y 轴微小偏移 ±1），避免轨迹过于平滑；

• 时间控制：滑动总时间随机在 0.5-1.2 秒之间，避免固定时长；

• 浏览器环境伪装：通过selenium.webdriver.ChromeOptions()设置真实 User-Agent、禁用自动化检测（如--disable-blink-features=AutomationControlled）；

• IP 轮换：若多次失败，使用代理 IP（推荐库：requests-proxies），避免 IP 被封禁。

三、合规与风险提示

1. 法律边界：根据《网络安全法》《数据安全法》，未经网站允许的爬虫可能涉嫌违法，破解验证码前需确认网站robots.txt协议，或获取合法授权；
2. 反爬对抗动态性：电商网站会持续升级验证码（如加入点选验证码、短信验证码），需定期更新破解逻辑；
3. 技术伦理：避免过度爬取导致网站服务器负载过高，建议控制请求频率（如每 10 秒一次）。

四、总结与进阶方向

本文通过 “预处理 + OCR” 破解图文验证码，“图像比对 + 轨迹模拟” 破解滑动验证码，提供了基础且可落地的方案。进阶学习可关注：

• 复杂验证码：使用深度学习（如 YOLOv8）识别点选验证码、汉字扭曲验证码；

• 无浏览器爬取：通过Playwright（比 Selenium 更轻量）或Pyppeteer实现滑动；

• 验证码识别 API：若自研成本高，可接入第三方 API（如阿里云 OCR、腾讯云验证码识别），降低开发难度。

反爬与破解的对抗本质是 “攻防迭代”，技术人员需在合规前提下，持续优化方案以适应网站反爬策略的更新。