Eswlnk

一个有点倒霉的小站长

IP归属地：四川

文章

1.0k

263

友情链接

Eswlnk

2024-04-26 13:03:34 四川

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用

前提和大概思路概述

只是学习的途中有一些新的发现，分享给大家，希望对你们有帮助。

凡科网的JS逆向的闭包技巧应该是典型的闭包案例，很多人都有讲解，这里只做一个粗略介绍。

正常完成逆向之后，进行模拟登录，好像是因为我的多次请求，出现了滑块验证。

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用插图1

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用插图2

先要做的是拿到底图和完整图或者滑块，但凡科网的这里只能找到图片base64伪加密后的imgId和sliderId，发起对应请求想得到后解码，奈何自己实在试过一堆法子，一直请求失败，无奈下换用selenium做模拟登录，重要的还是做滑块的思路嘛（实际还是自己实力不够–）

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用插图3

{'success': False, 'msg': {'dealType': 1, 'capErrno': -2}}

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用插图4

转换思路selenium和验证滑块图片的获取处理

用到的库：

from selenium.webdriver import Chrome
import time
import requests
from selenium.webdriver.common.action_chains import ActionChains
import base64
import numpy as np
import cv2 as cv

先模拟登录一下试试：

# ***中输入你的账号和密码
web = Chrome()
web.get('https://i.fkw.com/')
time.sleep(1)
web.find_element_by_xpath('//*[@id="loginCacct"]').send_keys('***')
web.find_element_by_xpath('//*[@id="loginPwd"]').send_keys('***')
time.sleep(1)
web.find_element_by_xpath('//*[@id="login_button"]').click()
time.sleep(2)

好家伙一下子就进去了，可毕竟咱们是长见识为主，所以咱拿错误的账号密码来做试验（正确的重复多次登录后也会出现）。

现在的重点主要是获取到对应的图片base64编码后的数据，在进行解码，存储图片。（注意只需要base64后的数据，要对数据做一定处理）

「技术分享」解密凡科网滑块验证：逆向JS、base64解码与Selenium应用插图5

ImgId_str = web.find_element_by_xpath('/html/body/div[4]/div/div[2]/div/div/div[3]/div/div[1]/div[1]/img[1]').get_attribute('src')
ImgId = '/' + ImgId_str.strip('data:image/jpeg;base64,')
sliderId_str = web.find_element_by_xpath('/html/body/div[4]/div/div[2]/div/div/div[3]/div/div[1]/div[1]/img[2]').get_attribute('src')
sliderId = 'i' + sliderId_str.lstrip('data:image/jpeg;base64,')

发现得到的这大串玩意，看起来蛮爽。开始解码，好像规则里的整除加=不是很有作用，我试了试加不加都可以（可能是我忽略了细节），把滑块和底图都存储起来。

def decode_base64(strs,i):
    if(len(strs)%4 == 1):
        strs += "==="
    elif(len(strs)%4 == 2):
        strs += '=='
    elif(len(strs)%4 == 3):
        strs += '='
    imgdata = base64.b64decode(strs)
    file = open(f'{i}.jpg','wb')
    file.write(imgdata)
    file.close()

用cv.TM_CCOEFF_NORMED算法进行精度匹配，将一维位置转换为二维位置，得到x，y的坐标。

Img_ = cv.imread('1.jpg')
slider_ = cv.imread('2.jpg')
result = cv.matchTemplate(Img_, slider_, cv.TM_CCOEFF_NORMED)
yiwei_ = np.argmax(result)  
x, y = np.unravel_index(yiwei_, result.shape)  
time.sleep(2)
# print(x,y)

找到滑的地方，模拟人工滑动，即可完成。（注意传输的坐标值）

web.implicitly_wait(10)
btn = web.find_element_by_xpath('/html/body/div[4]/div/div[2]/div/div/div[3]/div/div[1]/div[2]/div[1]/div')
ActionChains(web).drag_and_drop_by_offset(btn, xoffset=y, yoffset=0).perform()