验证码绕过技术：滑块与点选篇

📚 前置知识

本配方涉及以下核心技术，建议先阅读相关章节：

• 网络抓包技术 - 分析验证码请求与响应
• Python 自动化 - 使用 Selenium/Playwright 模拟浏览器行为

滑块和点选（或称图标）验证码是现代 Web 应用中用于区分人类用户和自动化程序（机器人）的常见手段。与传统的字符输入验证码相比，它们更注重于分析用户的"行为特征"。本文旨在详细介绍绕过这两类验证码的主流技术和核心思想。

验证码核心机制

滑块验证码

• 目标: 用户需要将滑块拖动到背景图的缺口位置。

• 验证重点:

1. 结果准确性: 滑块最终停留的位置是否在缺口的目标容差范围内。
2. 行为可信度: (更重要) 用户的鼠标轨迹是否像人。一个由程序生成的、匀速的、完美的直线轨迹几乎肯定会被判定为机器人。

点选验证码

• 目标: 根据提示，按顺序点击图片中的一个或多个汉字、图标或物体。

• 验证重点:

1. 识别准确性: 是否能正确识别并点击目标。
2. 行为可信度: 点击的坐标、间隔时间、鼠标移动轨迹是否自然。

绕过策略一：模拟人类行为

这是最主流、最根本的绕过方法，其核心是尽可能地模仿人类操作的不完美性。

步骤 1: 目标识别 (计算机视觉)

在模拟操作之前，程序需要先像人一样"看懂"验证码。

• 对于滑块验证码 (缺口识别):

• 常用库: OpenCV (Python)。

• 方法一：边缘检测:

  1. 获取带缺口的背景图和不带缺口的完整背景图（通常可以从网络请求中找到）。
  2. 使用 Canny 等边缘检测算法分别处理两张图片。
  3. 对比两张图的边缘差异，差异最显著的区域就是缺口的位置。

• 方法二：模板匹配:

  1. 从网络请求或页面元素中获取到独立的"滑块"图片。
  2. 将滑块图片作为"模板"，在带缺口的背景图上进行模板匹配 (cv2.matchTemplate)。匹配度最高的地方就是缺口的起始 X 坐标。

• 对于点选验证码 (目标识别):

• 如果目标是固定的文字或图标，可以采用与滑块类似的模板匹配方法。

• 如果目标是变化的、复杂的，例如"请点击图中所有的公交车"，则需要依赖更高级的机器学习模型（见策略二）。

步骤 2: 轨迹模拟 (核心关键)

这是整个绕过过程的灵魂。一个好的轨迹模拟算法需要考虑以下几点，以欺骗服务器端的行为分析模型：

• 非线性移动: 绝对不能是 (x1, y1) 到 (x2, y2) 的直线。路径需要是带有弧度的曲线。

• 变速移动: 模拟人类操作的肌肉控制，轨迹应该是"慢-快-慢"的模式。

• 初段加速: 初始移动速度较慢。

• 中段匀速/加速: 中间过程速度加快。

• 末段减速: 接近目标时，速度会显著减慢，进行微调。

• 随机抖动: 在主轨迹的基础上，叠加微小的、随机的 Y 轴（有时也包括 X 轴）偏移，模拟手部自然的抖动。

• 超越与回退: 有时可以模拟"拖过头了一点点，再往回拉"的行为，这会极大地增加轨迹的可信度。

• 停顿: 在拖动过程中可以加入短暂的、随机时长的停顿。

• 实现示例 (伪代码):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

def generate_human_like_track(target_distance):
track = []
current_pos = 0
# Movement pattern: accelerate first, then decelerate
while current_pos < target_distance:
# 1. Calculate movement step size for current phase (non-uniform speed)
if current_pos < target_distance * 0.7:
step = random.uniform(2, 4) # Acceleration phase
else:
step = random.uniform(0.5, 2) # Deceleration and fine-tuning phase

# 2. Add random jitter
y_offset = random.uniform(-1, 1)

# 3. Record trajectory point
track.append((step, y_offset, random.uniform(10, 50))) # (x step, y offset, time interval ms)
current_pos += step

# (Optional) Add "overshoot and pull back" trajectory points
# ...
return track

• 适用场景: 需要从一张大图中识别并定位多个不规则物体的点选验证码（例如，“选出所有的红绿灯”）。

• 方法:

1. 数据标注: 收集大量的验证码图片，并手动标注出需要识别的物体（如"红绿灯"、“公交车”）。
2. 模型训练: 使用标注好的数据集训练一个目标检测模型，如 YOLOv5 或 SSD。
3. 推理: 在实际绕过时，将验证码图片输入到训练好的模型中，模型会返回所有识别到的目标的位置坐标。
4. 后续操作: 拿到坐标后，再结合上一节的"轨迹模拟"方法去点击。

第三方打码平台

• 概念: 将识别验证码这一专业任务外包给第三方服务。这些平台背后通常是大量的人工或者更强大的 AI 模型。

• 代表服务: 2Captcha, Anti-Captcha 等。

• 工作流程:

1. 注册并充值。
2. 通过 API 将验证码图片（或任务描述）发送给平台。
3. 平台返回结果（如滑块的 X 坐标，或点选目标的坐标序列）。
4. 你的程序拿到结果后，再执行后续的模拟操作。

• 优点: 成功率极高，能解决几乎所有类型的验证码，无需自己维护复杂的识别模型。

• 缺点: 需要付费，存在隐私和安全风险（将数据发给第三方），有网络延迟。

绕过策略三：寻找逻辑漏洞

在投入大量精力编写复杂的模拟和识别代码前，先尝试寻找"捷径"是一种高性价比的策略。

• 分析前端 JS: 仔细审查页面的 JavaScript 文件，特别是与验证码相关的逻辑。有时可能会发现：

• 答案硬编码或弱加密: 缺口位置、目标坐标等信息以明文或简单加密的方式存在于前端代码中。

• 可预测的随机数: 用于生成验证码的随机种子或算法过于简单，可以被预测。

• API 漏洞:

• 验证绕过: 尝试直接调用提交表单的 API，但不带验证码相关的参数，看后端是否强制校验。

• Token 重放: 成功通过一次验证后，获取到的 session_token 或 captcha_id 是否可以被多次重用。

防御与对抗的演进

验证码提供商也在不断进化，以对抗上述绕过技术：

• 环境检测: 检测 WebDriver 特征（如 navigator.webdriver 标志）、浏览器指纹、字体、分辨率等。

• 更复杂的行为分析: 不仅仅是轨迹，还会分析点击压力、滚轮行为、鼠标加速度等更深层次的生物特征。

• 图像干扰: 在验证码图片上增加干扰线、噪点、形变、颜色抖动，增加 CV 识别难度。

• 无感验证 (reCAPTCHA v3): 完全在后台根据用户的综合行为评分，分数过低时才弹出挑战。