最近因为要采小红书的数据，接触到了数美滑块验证码，所以就有了这篇文章来记录下分析过程。

本文数美滑块以数美官网为例，滑块链接地址：https://www.ishumei.com/trial/captcha.html。

数美滑块版本号：v1.0.3-153

一、请求分析

1.1 验证码申请

打开网站后通过抓包发现，第一步先是请求了https://captcha.fengkongcloud.cn/ca/v1/conf?lang=zh-cn&callback=sm_1649907313036&appId=default&model=slide&rversion=1.0.3&sdkver=1.1.3&organization=RlokQwRlVjUrTUlkIqOg&channel=DEFAULT这个链接，获取滑块的一些js、css信息等等。

其中请求中的organization参数是认证参数，每个网站认证参数都不一样，需要根据你采集的网站来。

返回的“/pr/auto-build/v1.0.3-153/captcha-sdk.min.js”文件是js加密文章，这个经常更新，每个版本加密参数都不一样，需要经常更新维护。

1.2 验证码注册

第二步是请求了一个注册链接，地址是https://captcha.fengkongcloud.cn/ca/v1/register?organization=RlokQwRlVjUrTUlkIqOg&channel=DEFAULT&lang=zh-cn&callback=sm_1649907316063&model=slide&sdkver=1.1.3&data=%7B%7D&rversion=1.0.3&appId=default

返回滑块的基本信息：

其中bg表示背景图片，fg表示缺口图片，rid类似于滑块session，后续请求要带上。

1.3 验证码验证

滑过滑块后，请求了一个验证接口：https://captcha.fengkongcloud.cn/ca/v2/fverify，返回通过与否，PASS表示通过。

这一步请求的参数比较多，每个版本且不一样，153版本有下面这些参数：

除个别参数外，大部份参数都经常了加密，我会在后面会对如何加密进行讲解。

二、JS逆向分析-参数加密

首先直接查看fverify接口的Initiator，如下

通过分析，我们直接追到这个位置，打断点看下

可以看到，到这里的时候，已经生成了所有的加密参数，_0x534dc2对象就是加密结果。

其中eo、jj、oh参数都经过了this[_0x163e17(0x4c9)]这个函数加密。我们直接看下这个函数，在return的地方打个断点看下。

可以看到，这个地方_0x452523(0x32e)是DES，我们大胆猜测下，这可能就是一个DES加密，两个入参分别是加密字段和key。

我直接从网上找了一个DES加密代码测试了下。

import base64
from pyDes import des, ECB


def pad(b):
    """
    块填充
    """
    block_size = 8
    while len(b) % block_size:
        b += b'�'
    return b


def get_encrypt_content(message, key, flag):
    """
    接口参数的加密、解密
    """
    des_obj = des(key.encode(), mode=ECB)
    if flag:
        content = pad(str(message).replace(' ', '').encode())
        return base64.b64encode(des_obj.encrypt(content)).decode('utf-8')
    else:
        return des_obj.decrypt(base64.b64decode(message)).decode('utf-8')

最终发现两边加密结果是一致的，这就是一个DES加密。

到这里，eo、jj、oh这三个参数就解决了，加密字段分别对应“default”、“DEFAULT”、“zh-cn”，加密的key每个版本不同，自己扣下就好。

还剩几个参数，我们继续往上找

剩下的几个加密参数都是在这生成的。

其中几个加密字段解释如下：

lq：滑动距离/300

ro：滑动轨迹

ed：滑动结束时间戳-滑块开始时间戳

px：300，背景图显示宽度

rm：150，背景图显示高度

lw：-1

iu：0

gh：1

ps：

这里有一点要注意下，获取的到背景图大小一般为600*300，实际显示图片大小为300*150，计算滑动距离的时候需要缩放下。

三、部分代码

3.1 图像缺口识别

import cv2
import numpy as np


def get_distance(fg, bg):
    """
    计算滑动距离
    """
    target = cv2.imdecode(np.fromstring(fg, np.uint8), cv2.IMREAD_COLOR)
    template = cv2.imdecode(np.fromstring(bg, np.uint8), cv2.IMREAD_COLOR)
    result = cv2.matchTemplate(target, template, cv2.TM_CCORR_NORMED)
    _, distance = np.unravel_index(result.argmax(), result.shape)
    return distance

3.2 轨迹生成

import random


def get_trajectory_1(distance):
    '''
    # 滑动轨迹模拟、上下的抖动
    :param distance:
    :return:
    '''
    ge = []
    ge.append([0, 0, 0])
    for i in range(10):
        x = 0
        y = random.randint(-1, 1)
        t = 100 * (i + 1) + random.randint(0, 2)
        ge.append([x, y, t])
    for items in ge[1:-5]:
        items[0] = distance // 2
    for items in ge[-5:-1]:
        items[0] = distance + random.randint(1, 4)
    ge[-1][0] = distance
    return ge, ge[-1][2]

四、最终效果