一、核心技术原理
（一）文本检测技术选型
弹窗图片中的文字是定位交互区域的关键标识，需通过光学字符识别（OCR）技术提取文本并确定位置。Tesseract-OCR 作为开源高效的 OCR 引擎，支持多语言识别且可通过训练优化精度，配合 Python 的 pytesseract 库可快速实现图片文本检测。同时，OpenCV 用于图片预处理（降噪、二值化），提升 OCR 识别准确率。
（二）弹窗定位逻辑
网页弹窗本质是 DOM 元素的动态渲染，通过 Selenium 模拟浏览器环境，可捕获弹窗对应的 HTML 节点。结合文本检测结果，将 OCR 识别到的目标文本（如 “拖动滑块”）与弹窗图片中的坐标关联，定位滑块起始位置与目标区域（通常为文本提示对应的缺口位置）。
（三）滑块拖动实现
滑块拖动需模拟人类操作轨迹，避免被反爬机制识别为机器行为。核心是生成非线性移动轨迹（加速 - 匀速 - 减速），通过 Selenium 的 ActionChains 类实现鼠标按下、移动、释放的连贯操作，同时控制移动时间与步长，模拟真实用户交互。
二、开发环境准备
（一）依赖库安装
需安装以下 Python 库，分别用于浏览器模拟、图片处理、OCR 识别及轨迹生成：
浏览器自动化库
pip install selenium
图片处理库
pip install opencv-python
OCR识别库
pip install pytesseract
图像处理辅助库
pip install pillow
数值计算库（用于轨迹生成）
pip install numpy
（二）环境配置
- Tesseract-OCR 安装：从官网下载安装包，配置系统环境变量（如 Windows 添加C:\Program Files\Tesseract-OCR），确保命令行输入tesseract --version可正常返回版本。
- 浏览器驱动配置：下载与本地 Chrome 版本匹配的 ChromeDriver，放置在 Python 脚本目录或系统环境变量路径中。
三、完整实现流程
（一）步骤拆解 - 网页访问与弹窗触发：通过 Selenium 打开目标网页，触发弹窗验证（如点击按钮、滚动页面）。
- 弹窗图片捕获：定位弹窗图片元素，截图并保存为本地文件。
- 图片预处理与文本检测：使用 OpenCV 优化图片质量，通过 Tesseract-OCR 提取文本及坐标。
- 目标区域定位：根据识别到的关键文本（如 “缺口”“验证”），确定滑块起始位置与目标位置。
- 模拟滑块拖动：生成人类行为轨迹，通过 ActionChains 执行拖动操作。
- 验证结果校验：判断验证是否成功，失败则重试。
（二）核心代码实现 - 初始化浏览器与基础配置
python
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.action_chains import ActionChains
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
import cv2
import pytesseract
from PIL import Image
import numpy as np
import time
配置Tesseract路径（Windows系统需指定）
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
class SlideVerificationCrawler:
def init(self, url):
# 初始化Chrome浏览器（无头模式可选）
self.options = webdriver.ChromeOptions()
self.options.add_experimental_option("excludeSwitches", ["enable-automation"])
self.options.add_experimental_option('useAutomationExtension', False)
self.driver = webdriver.Chrome(options=self.options)
self.driver.execute_cdp_cmd("Page.addScriptToEvaluateOnNewDocument", {
"source": """
Object.defineProperty(navigator, 'webdriver', {
get: () => undefined
})
"""
})
self.url = url
self.wait = WebDriverWait(self.driver, 10)
def open_page(self):
"""打开目标网页"""
self.driver.get(self.url)
self.driver.maximize_window()
# 等待页面加载完成（根据实际网页调整等待条件）
self.wait.until(EC.presence_of_element_located((By.TAG_NAME, 'body')))
print("网页加载完成")
弹窗图片捕获与预处理
python
def capture_popup_image(self, popup_img_xpath):"""捕获弹窗图片""" # 等待弹窗图片加载 popup_img = self.wait.until(EC.presence_of_element_located((By.XPATH, popup_img_xpath))) # 获取图片位置与尺寸 location = popup_img.location size = popup_img.size # 浏览器截图 self.driver.save_screenshot('full_screen.png') # 裁剪弹窗图片 full_img = Image.open('full_screen.png') left = location['x'] top = location['y'] right = left + size['width'] bottom = top + size['height'] popup_img_crop = full_img.crop((left, top, right, bottom)) popup_img_path = 'popup_image.png' popup_img_crop.save(popup_img_path) print(f"弹窗图片已保存至{popup_img_path}") return popup_img_pathdef preprocess_image(self, img_path):
"""图片预处理：降噪、二值化提升OCR准确率""" img = cv2.imread(img_path) # 转为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊降噪 blur = cv2.GaussianBlur(gray, (3, 3), 0) # 自适应二值化 thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 保存预处理后的图片 preprocessed_img_path = 'preprocessed_image.png' cv2.imwrite(preprocessed_img_path, thresh) return preprocessed_img_path文本检测与目标位置定位
python
def detect_text(self, img_path):"""OCR文本检测：返回识别文本及对应坐标""" img = Image.open(img_path) # 配置Tesseract识别参数（中文识别+返回坐标） custom_config = r'--oem 3 --psm 6 -l chi_sim+eng makebox' # 执行OCR识别 result = pytesseract.image_to_data(img, config=custom_config, output_type=pytesseract.Output.DICT) # 提取有效文本（过滤空字符串） text_info = [] for i in range(len(result['text'])): text = result['text'][i].strip() if text: # 获取文本区域坐标（left, top, width, height） left = result['left'][i] top = result['top'][i] width = result['width'][i] height = result['height'][i] text_info.append({ 'text': text, 'left': left, 'top': top, 'width': width, 'height': height, 'center_x': left + width // 2, 'center_y': top + height // 2 }) print(f"识别到的文本：{[info['text'] for info in text_info]}") return text_infodef locate_target_area(self, text_info):
"""根据文本定位滑块起始位置与目标位置""" start_pos = None target_pos = None for info in text_info: # 假设“拖动滑块”对应滑块起始位置（可根据实际网页调整关键词） if '拖动滑块' in info['text']: start_pos = (info['center_x'], info['center_y']) # 假设“缺口”对应目标位置（可根据实际网页调整关键词） elif '缺口' in info['text']: target_pos = (info['center_x'], info['center_y']) if not start_pos or not target_pos: raise Exception("未识别到关键文本，无法定位目标区域") print(f"滑块起始位置：{start_pos}，目标位置：{target_pos}") return start_pos, target_pos滑块拖动轨迹生成与执行
python
def generate_track(self, distance):"""生成模拟人类的滑块拖动轨迹（非线性）""" track = [] current = 0 # 加速阶段（前30%距离） accelerate_distance = distance * 0.3 while current < accelerate_distance: # 加速度逐渐减小 a = np.random.uniform(1.5, 2.5) v = current + a track.append(round(v)) current += v # 匀速阶段（中间50%距离） uniform_distance = distance * 0.5 while current < accelerate_distance + uniform_distance: v = np.random.uniform(2.0, 3.0) track.append(round(v)) current += v # 减速阶段（最后20%距离） while current < distance: a = np.random.uniform(0.5, 1.0) v = max(0.5, current - (distance - current) * a) track.append(round(v)) current += v # 确保总距离准确 track = track[:-1] if sum(track) > distance else track track.append(distance - sum(track)) return trackdef drag_slider(self, slider_xpath, start_pos, target_pos):
"""执行滑块拖动操作""" # 定位滑块元素 slider = self.wait.until(EC.presence_of_element_located((By.XPATH, slider_xpath))) # 计算水平拖动距离（假设垂直方向无需移动） distance = target_pos[0] - start_pos[0] if distance <= 0: raise Exception("目标位置在起始位置左侧，距离计算错误") # 生成拖动轨迹 track = self.generate_track(distance) print(f"拖动轨迹：{track}，总距离：{sum(track)}") # 模拟鼠标操作 action = ActionChains(self.driver) # 鼠标移动到滑块起始位置并按下 action.move_to_element_with_offset(slider, start_pos[0], start_pos[1]) action.click_and_hold().perform() time.sleep(0.2) # 按下后停留0.2秒，模拟人类操作 # 按轨迹移动鼠标 for step in track: action.move_by_offset(step, np.random.randint(-2, 3)) # 垂直方向随机小幅度抖动 action.perform() time.sleep(np.random.uniform(0.01, 0.03)) # 每步停留随机时间 # 释放鼠标 action.release().perform() time.sleep(1) # 等待验证结果- 主函数与验证流程
python
运行
def run(self, popup_img_xpath, slider_xpath):"""执行完整爬虫与验证流程""" try: # 1. 打开网页 self.open_page() # 2. 触发弹窗（根据实际网页调整，如点击按钮） # 示例：self.driver.find_element(By.XPATH, '//button[@id="verify-btn"]').click() time.sleep(2) # 假设弹窗自动弹出，等待2秒 # 3. 捕获弹窗图片 popup_img_path = self.capture_popup_image(popup_img_xpath) # 4. 图片预处理 preprocessed_img_path = self.preprocess_image(popup_img_path) # 5. 文本检测 text_info = self.detect_text(preprocessed_img_path) # 6. 定位目标区域 start_pos, target_pos = self.locate_target_area(text_info) # 7. 拖动滑块 self.drag_slider(slider_xpath, start_pos, target_pos) # 8. 验证结果校验（根据实际网页调整判断条件） if "验证成功" in self.driver.page_source: print("滑块验证成功！") else: print("验证失败，重试中...") self.run(popup_img_xpath, slider_xpath) # 重试 except Exception as e: print(f"执行失败：{str(e)}") finally: # 保持浏览器打开，便于调试（生产环境可注释） time.sleep(10) self.driver.quit()
示例：调用爬虫（需根据实际网页调整XPATH）
if name == "main":
target_url = "https://example.com/verify-page" # 目标网页URL
# 弹窗图片XPATH（需根据实际网页F12查看）
popup_img_xpath = '//div[@class="popup-img"]/img'
# 滑块元素XPATH（需根据实际网页F12查看）
slider_xpath = '//div[@class="slider-block"]'
crawler = SlideVerificationCrawler(target_url)
crawler.run(popup_img_xpath, slider_xpath)
四、关键优化与注意事项
（一）OCR 识别精度优化
- 针对弹窗图片特点，调整 OpenCV 预处理参数（如模糊核大小、二值化阈值），减少背景干扰。
- 若识别准确率低，可使用 Tesseract 训练工具（如 jTessBoxEditor）训练目标网页弹窗文字的专属字库。
- 结合关键词模糊匹配（如使用in关键字或正则表达式），提高关键文本识别容错率。
（二）反爬机制规避 - 禁用 Selenium 的webdriver标识，通过 CDP 命令修改navigator.webdriver属性，避免被网页检测为爬虫。
- 拖动轨迹加入随机抖动（垂直方向 ±2 像素）和随机时间间隔（0.01-0.03 秒），模拟人类操作的不确定性。
- 避免操作速度过快，在鼠标按下、移动、释放等步骤中加入合理延时（如 0.2 秒按下停留）。
（三）适应性调整 - 不同网页的弹窗文本、元素 XPATH 差异较大，需通过 F12 开发者工具查看实际 DOM 结构，调整关键词（如 “拖动滑块”“缺口”）和 XPATH 路径。
- 若弹窗图片为动态加载（如每次刷新不同），需在捕获图片前确保图片完全加载，可通过WebDriverWait等待图片naturalWidth属性大于 0。
