文章目录
- 1. 写在前面
- 2. 接口分析
- 3. 验证轨迹
- 4. 算法还原
【🏠作者主页】：吴秋霖
【💼作者介绍】：擅长爬虫与JS加密逆向分析！Python领域优质创作者、CSDN博客专家、阿里云博客专家、华为云享专家。一路走来长期坚守并致力于Python与爬虫领域研究与开发工作！
【🌟作者推荐】：对爬虫领域以及JS逆向分析感兴趣的朋友可以关注《爬虫JS逆向实战》《深耕爬虫领域》
未来作者会持续更新所用到、学到、看到的技术知识！包括但不限于：各类验证码突防、爬虫APP与JS逆向分析、RPA自动化、分布式爬虫、Python领域等相关文章
作者声明：文章仅供学习交流与参考！严禁用于任何商业与非法用途！否则由此产生的一切后果均与作者无关！如有侵权，请联系作者本人进行删除！
1. 写在前面
作者在使用红薯的时候，经常会选择通过手机验证的方式去登录。但是，天公不作美！我甚至有时候第一次登录，就给我弹出一个验证码…有风控固然是好的，但是略微的影响到了用户的交互体验，一般用户只能选择是手动拖动滑块进行验证…
但是！作为一名科技行业的程序员。肯定是不会屈服的，于是带着对技术的好奇心在想过这个旋转的验证码，是否可以自动化呢？当然自动化没有挑战！作者选择通过协议+算法的方式去通过这个验证码～
2. 接口分析
这里我们浅拉一下旋转的滑块，然后监测register这个接口的发包，如下所示：
这几个参数中verifyUuid是重要的，它在每一次生成弹出验证码的时候，给出的一个新且唯一的验证ID，在后续的验证接口同样需要携带！获取方式如下所示：
在输入手机号点击发送短信验证码的时候，假设失败被风控了。短信接口会正常给到你成功的响应，如下所示：
{"code":0,"success":true,"msg":"成功","data":{}}
但是如果你光通过接口去检验，是不知道出验证的。得看请求状态，失败出现验证码则是471，这个时候再去头部分析，拿到验证码的UID
通过register的接口，获取到验证码提交所需要的rid跟captchaInfo字段信息
请求同样是需要头部带X-s、X-s-common参数的
第二个我们需要分析的接口则是check，这个是提交验证检测的。如下所示：
可以看到提交的参数中captchaInfo是最重要的，通过字段信息能够看到提交的鼠标轨迹相关的一些东西，而且看这样子应该还是加密的！另外的rid、uid在前面环节都能够获取到，checkCount参数则是验证次数，通不过就会自增
3. 验证轨迹
接下来如果没有解决头部X系列的两个参数加密，建议先去研究这个两个参数，再来研究滑块！当然如果你不知道怎么还原可以去看作者以前的文章！现在开始还原captchaInfo这个参数
JS调试发现轨迹验证参数的值采用了DES加密，可以拿浏览器内的加密轨迹来解密看看，如下所示：
轨迹分析后开始实现算法，如下所示：
function generate_Track(slideDistance) {
var trackList = [];
var x = 0;
while (x < slideDistance) {
x += 2;
var y = -(Math.floor(x / 10));
var z = 2 * (x - 1) + Math.floor(Math.random() * 7) + 1;
trackList.push([x, y, z]);
}
return JSON.stringify(trackList);
}
function get_mousetrack(distance,time){
var mousetrack1=get_trace(distance,time);
var mousetrack2=generate_Track(distance);
return DES_Encrypt(mousetrack2,"PYrm8rMk")
}
function get_trace(distance,time) {
distance = Math.floor(distance);
var trace = [];
var sy = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0];
var st = [15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17,
18, 15, 16, 17, 18, 15, 16, 17, 18, 15, 16, 17, 18, 14, 16, 17, 18, 16, 17, 18, 19, 20, 17];
if (distance < 95) {
var sx = [1, 2, 1, 2, 1, 2, 1, 1, 2, 1];
}else{
var sx = [1, 2, 1, 2, 1, 2, 2, 2, 3, 4];
}
var zt = RandomNum(10, 100);
var zx = 0,
zy = 0;
var random_x = RandomNum(9, 14);
var n = 0, x = 0, y = 0, t = 0;
while (true){
n += 1;
if (n < 5){
x = 1;
}else{
x = RandomChoice(sx)
}
if (distance > 125 && random_x === n){
x = RandomNum(14, 18)
}
y = RandomChoice(sy);
t = RandomChoice(st);
zx += x;
zy += y;
zt += t;
trace.push([zx, zy, zt]);
if (distance - zx < 6){
break;
}
}
var value = distance - zx;
for (var i = 0; i < value; i++){
t = RandomChoice(st);
if (value === i + 1){
t = RandomNum(42, 56)
}
if (value === i + 2){
t = RandomNum(32, 38)
}
if (value === i + 3){
t = RandomNum(30, 36)
}
x = 1;
zx += x;
zt += t;
trace.push([zx, zy, zt]);
}
let csz=RandomNum(1, 10)
let elementToInsert0 = [0, 0, csz];
let elementToInsert1 = [0, 0, csz+2];
trace.unshift(elementToInsert1);
trace.unshift(elementToInsert0);
return JSON.stringify(trace);
}
4. 算法还原
首先需要封装register接口的协议请求，核心请求提交封参如下所示：
json_data = {
"secretId": "000",
"verifyType": "102",
"verifyUuid": v_id,
"verifyBiz": "471",
"sourceSite": "",
"captchaVersion": "1.1.0"
}
jmurl='url=/api/redcaptcha/v2/captcha/register'+json.dumps(json_data).replace(" ","")
a1=ck['a1']
xts = self.ctx.call('get_x_s',jmurl,a1)
xtscommon = self.ctx.call('get_x_s_common',xts,a1)
self.headers['x-s'] = xts['X-s']
self.headers['x-s-common']=xtscommon
self.headers['x-t']=str(xts['X-t'])
data=json.dumps(json_data,separators=(',',':'))
response = requests.post(url, headers=self.headers, cookies=ck, data=data)
check验证接口的提交核心封参请求如下所示：
chainfo={
"mouseEnd":self.ctx.call('DES_Encrypt',mouseend,"WquqhEkd"),
"time":self.ctx.call('DES_Encrypt',time,"vPMvCY4K"),
"track":self.ctx.call('get_mousetrack',mouseend,time),
"width":self.ctx.call('DES_Encrypt',width,"WquqhEkd")
}
json_data={
"rid":rid,
"verifyType":"102",
"verifyBiz":"471",
"verifyUuid":v_id,
"sourceSite":"",
"captchaVersion":"1.1.0",
"checkCount":str(check_count),
"captchaInfo":json.dumps(chainfo)
}
当然，请求完成后的过程中我们还需要对旋转图片角度的分析与图像处理（包括裁剪）！主要就是通过对两个图像进行分析处理来找出最佳的角度。使得合并后的图像在梯度上的差异最小，这里我们采用了CV2，通过核心Py。源码如下所示：
def perform_angle_analysis(self,query_image_path, background_image_path):
def calculate_gradient_difference(image, cx, cy, circle_radius):
circle_inner_mask = np.zeros_like(image, dtype=np.uint8)
cv2.circle(circle_inner_mask, (cx, cy), circle_radius, 255, -1)
circle_outer_mask = np.zeros_like(image, dtype=np.uint8)
cv2.circle(circle_outer_mask, (cx, cy), circle_radius + 30, 255, -1)
inner_pixels = cv2.bitwise_and(image, circle_inner_mask)
outer_pixels = cv2.bitwise_and(image, circle_outer_mask)
inner_sobel_x = cv2.Sobel(inner_pixels, cv2.CV_64F, 1, 0)
inner_sobel_y = cv2.Sobel(inner_pixels, cv2.CV_64F, 0, 1)
inner_gradient_magnitude = cv2.magnitude(inner_sobel_x, inner_sobel_y)
outer_sobel_x = cv2.Sobel(outer_pixels, cv2.CV_64F, 1, 0)
outer_sobel_y = cv2.Sobel(outer_pixels, cv2.CV_64F, 0, 1)
outer_gradient_magnitude = cv2.magnitude(outer_sobel_x, outer_sobel_y)
gradient_diff = np.sum(outer_gradient_magnitude) - np.sum(inner_gradient_magnitude)
return gradient_diff
def merge_images(query_result, bg_image, radius, angle):
query_height, query_width = query_result.shape[:2]
rotation_matrix = cv2.getRotationMatrix2D((query_width / 2, query_height / 2), angle, 1)
rotated_result = cv2.warpAffine(query_result, rotation_matrix, (query_width, query_height))
center = (bg_image.shape[1] // 2, bg_image.shape[0] // 2)
cv2.circle(bg_image, center, radius, (0, 0, 0), -1)
bg_height, bg_width = bg_image.shape[:2]
circle_height, circle_width = rotated_result.shape[:2]
x = (bg_width - circle_width) // 2
y = (bg_height - circle_height) // 2
overlay = np.zeros_like(bg_image)
overlay[y:y + circle_height, x:x + circle_width] = rotated_result
result = cv2.bitwise_or(bg_image, overlay)
return result
def split_circular_region(image, radius):
height, width, _ = image.shape
center = (width // 2, height // 2)
mask = np.zeros_like(image)
cv2.circle(mask, center, radius, (255, 255, 255), -1)
result = cv2.bitwise_and(image, mask)
return result
def enlarge_image(image, scale_factor):
circle_height, circle_width = image.shape[:2]
new_height = int(circle_height * scale_factor)
new_width = int(circle_width * scale_factor)
result = cv2.resize(image, (new_width, new_height), interpolation=cv2.INTER_LINEAR)
return result
query_image = cv2.imread(query_image_path)
bg_image = cv2.imread(background_image_path)
query_result = split_circular_region(query_image, 89)
query_result = enlarge_image(query_result, 1.1)
min_difference = float('inf')
min_angle = 0
for angle in range(0, 360, 5):
result = merge_images(query_result, bg_image, 89, angle)
gradient_difference = calculate_gradient_difference(result, bg_image.shape[1] // 2, bg_image.shape[0] // 2, 70)
if gradient_difference < min_difference:
min_difference = gradient_difference
min_angle = angle
result = merge_images(query_result, bg_image, 89, min_angle)
cv2.imwrite('./jpg/result.png', result)
return min_angle
最后完成所有的编码后，把滑块验证部署成一个API服务，这样的话更加方便调用，如下：
本地直接通过检测471验证码，拿到uid、cookie调用纯协议滑块验证服务，效果如下：
![[AI Google] 新的生成媒体模型和工具，专为创作者设计和构建](https://img-blog.csdnimg.cn/img_convert/e1645cd102f80d928f39961a5df32b86.png)
