小红书旋转验证码

小红书旋转验证码自动校验系统：实现与分析

仅为自己粗浅的理解，各位大佬求指正勿喷

简介

在现代的网页应用中，验证码作为一种有效的反爬虫手段被广泛应用。滑动以及旋转验证码是一种较为流行的验证码类型，本项目旨在通过构建一个自动化系统，利用卷积神经网络（CNN）来识别验证码图片的旋转角度，并使用 playwright 库模拟人类滑动行为，最终实现滑动验证码的自动校验。

项目主要模块

项目结构简洁明了，主要包含以下几个部分：

1. 依赖文件

   • rotate_model.pth：训练好的旋转角度识别模型
   • stealth.min.js：防止被反爬虫检测的脚本

2. 函数

   • get_angle 调用CNN模型预测角度
   • get_tracks 根据角度映射出的距离模拟人获取滑动轨迹
   • correct_angle 使用浏览器自动化工具测试验证码验证

项目主要思路与实现

1. 定义 CNN 模型

首先，项目定义了一个简单的卷积神经网络（CNN），用于识别验证码图片的旋转角度。模型包含三个卷积层和两个全连接层：

通过逐层卷积和池化，逐步提取图像的低级到高级特征，最后通过全连接层输出结果

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
        self.conv3 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(64 * 5 * 5, 128)
        self.fc2 = nn.Linear(128, 360)  # 360 classes for 0-359 degrees rotation

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = self.pool(torch.relu(self.conv3(x)))
        x = x.view(-1, 64 * 5 * 5)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

2. 获取图片旋转角度

接下来，通过 get_angle 函数加载并应用模型来预测图片的旋转角度：

def get_angle(image: Image) -> int:
    transform = transforms.Compose([
        transforms.Resize((40, 40)),
        transforms.ToTensor(),
    ])
    image = image.convert('RGB')
    image = transform(image).unsqueeze(0)

    model = CNN()
    model.load_state_dict(torch.load('libs/rotate_model.pth'))
    model.eval() # 设置为评估模式
    with torch.no_grad():
        output = model(image)
        _, predicted = torch.max(output, 1)
        return predicted.item()

3. 获取移动轨迹

为了 模拟人类滑动行为 以使得滑动行为更加自然，避免被识别为机器操作，get_tracks 函数根据给定的距离通,过随机加速度和分阶段的滑动距离计算，其中包含加速和减速阶段,生成的移动轨迹会更接近人类滑动的特性：

def get_tracks(distance: int) -> list[int]:
    tracks = []  
    current = 0  
    mid = distance * 4 / 5  
    t = 0.2  
    v = 0  

    while current < distance:
        if current < mid:
            a = random.randint(3, 5)  
        else:
            a = random.randint(-5, -3)  

        v0 = v  
        v = v0 + a * t  
        move = v0 * t + 1 / 2 * a * t * t  
        current += move
        tracks.append(round(current))

    return tracks

4. 验证码校验

核心功能 correct_angle 是一个异步函数，利用 playwright 库来进行网页交互，模拟滑动行为以完成验证码校验：

注: 最终实际测试的函数由于自己的项目需要采用了协程异步实现，可以自行改为同步进行实验

@retry(stop=stop_after_attempt(10), wait=wait_fixed(2), retry=retry_if_result(lambda value: value is False))
async def correct_angle(context_page: Page) -> bool:
    if await context_page.query_selector('//div[@class="red-captcha-slider"]') is None:
        return True

    await context_page.wait_for_selector('//div[@id="red-captcha-rotate"]/img')
    img_url = await context_page.get_attribute('//div[@id="red-captcha-rotate"]/img', 'src')
    response = httpx.get(img_url)
    img = Image.open(BytesIO(response.content))
    correction_angle = get_angle(img)
    await context_page.wait_for_selector('//div[@class="red-captcha-slider"]')
    slider = await context_page.query_selector('//div[@class="red-captcha-slider"]')
    slider_box = await slider.bounding_box()
    move_x = correction_angle * 0.79

    await context_page.mouse.move((slider_box['x'] + slider_box['width'] / 2), (slider_box['y'] + slider_box['height'] / 2))
    await context_page.mouse.down()
    tracks = get_tracks(move_x)
    for track in tracks:
        target_X = track + slider_box['x'] + slider_box['width'] / 2
        target_Y = slider_box['y'] + slider_box['height'] / 2
        await context_page.mouse.move(target_X, target_Y)
    await context_page.mouse.up()

    time.sleep(3)
    if await context_page.query_selector('//div[@class="red-captcha-slider"]') is None:
        utils.logger.info("[XiaoHongShuClient.correct_angle] verify success.")
        return True
    else:
        utils.logger.info("[XiaoHongShuClient.correct_angle] verify failed.")
        return False

总结

本项目通过深度学习模型和浏览器自动化技术，结合了 CNN 图像识别和 playwright 库的网页自动化技术。实现了滑动验证码的自动校验。项目只做一种验证思路仅供学习使用，严禁其他操作。