滑块验证码是目前网络上使用最多的，也是体验相对来说比较好的一种验证码。但爬虫和反爬虫就像矛和盾一样的关系相互促进相互影响，互联网技术就是在这样的不断碰撞中向前发展。
结合我自己的个人工作经验，来聊聊滑块验证码，我们就拿京东登陆页面的滑块验证举例，进行详细分解学习。
滑块验证码样例
目标: 通过算法找到需要滑动的滑块（下文一律叫 切片区 ）距离背景目标区域（下文一律叫 背景区 ）的距离，然后自动拖动完成拼接。
一、利用Chrome-F12的开发者工具来定位滑块验证码的请求地址：
1、在google浏览器中打开对应的网站,进入到滑块验证码页面
2、在验证码页面按F12，进入Network区
3、点击验证码右上角的换一张（图中标号为1）,目的是捕获验证码的请求地址
4、在name区可以看到多个情况地址，找到其中的验证码请求地址,这里是g.html(图中标号为2)
5、在Headers表头可以看到对应此链接地址的情况地址，以及请求方式,这里是GET请求
（注:后期可以通过JS或者 Java 等模拟网站GET请求来获取验证码信息）
定位滑块验证码的请求地址
二、分析、查找”切片区”和”背景区”的对应图片数据信息：
1、点击开发者工具中的Response来查看请求的返回值
2、这里是一个JSON串格式,其中bg对应的值就是背景图片区域的base64 字符串 值，patch对应的值就是切片区base64字符串值.
切片区”和”背景区”数据信息
3、将这些base64字符串值转换成图片，我们看一下背景区和切片区字符串对应的具体图像：
(背景区)
（切片区）
//切片对应的base64String
String sliceImg="iVBORw0KGgoAAAANSUhEUgAAADIAAA.....";//内容太多省略,自己从浏览器中获取即可
//背景区对应的base64String
String bgImg = "iVBORw0KGgoAAAANSUhE....";//内容太多省略,自己从浏览器中获取即可
//背景区
BufferedImage biBuffer = base64StringToImg(bgImg);
//切片区
BufferedImage sliceBuffer = base64StringToImg(sliceImg);
//将图片输出到本地查看
ImageIO.write(biBuffer,
"png", new File("E:\\bgImg.png"));
ImageIO.write(sliceBuffer,
"png", new File("E:\\sliceImg.png"));
/**
* base64字符串转存图片
* @param base64String base64字符串
* @return BufferedImage
*/
public static BufferedImage base64StringToImg(final String base64String) {
try {
BASE64Decoder decoder = new BASE64Decoder();
byte[] bytes = decoder.decodeBuffer(base64String);
ByteArrayInputStream bais = new ByteArrayInputStream(bytes);
return ImageIO.read(bais);
} catch (final IOException ioe) {
throw new UncheckedIOException(ioe);
}
}
三、(重点,核心)利用orc模板匹配算法进行匹配，查找最相似区域，也就是我们的期望的坐标点：
废话不多说,直接上代码：
import static com.googlecode.javacv.cpp.opencv_core.CV_32FC1;
import static com.googlecode.javacv.cpp.opencv_core.cvCreateMat;
import static com.googlecode.javacv.cpp.opencv_core.cvMinMaxLoc;
import static com.googlecode.javacv.cpp.opencv_imgproc.CV_TM_CCOEFF_NORMED;
import static com.googlecode.javacv.cpp.opencv_imgproc.cvMatchTemplate;
import java.awt.Color;
import java.awt.Graphics;
import java.awt.Rectangle;
import java.awt.image.BufferedImage;
import java.io.ByteArrayInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.UncheckedIOException;
import java.util.ArrayList;
import java.util.List;
import javax.imageio.ImageIO;
import com.googlecode.javacv.cpp.opencv_core;
import com.googlecode.javacv.cpp.opencv_core.CvMat;
import com.googlecode.javacv.cpp.opencv_core.CvSize;
import com.googlecode.javacv.cpp.opencv_core.IplImage;
import com.googlecode.javacv.cpp.opencv_imgproc;
import sun.misc.BASE64Decoder;
public class Test {
public static void main(String[] args) throws IOException {
//切片对应的base64String
String sliceImg="iVBORw0KGgoAAAANSUhEUgAAADIAAA.....";//内容太多省略,自己从浏览器中获取即可
//背景区对应的base64String
String bgImg = "iVBORw0KGgoAAAANSUhE....";//内容太多省略,自己从浏览器中获取即可
// 背景区
BufferedImage biBuffer = base64StringToImg(bgImg);
// 切片区
BufferedImage sliceBuffer = base64StringToImg(sliceImg);
// 由于切片矩形区域存在透明区域,所以预处理将透明区域变成白色,方便后面对图片二值化处理。
// (重点:如果这里不对透明区域预处理,切片预处理后将只有一种颜色导致匹配失败)
int white = new Color(255, 255, 255).getRGB();
for (int x = 0; x < sliceBuffer.getWidth(); x++) {
for (int y = 0; y < sliceBuffer.getHeight(); y++) {
if ((sliceBuffer.getRGB(x, y) >> 24) == 0) {
sliceBuffer.setRGB(x, y, white);
}
}
}
IplImage sourceImage = IplImage.createFrom(biBuffer);
IplImage targetImage = IplImage.createFrom(sliceBuffer);
CvMat sourceMat = sourceImage.asCvMat();
CvMat targetMat = targetImage.asCvMat();
// 模板匹配算法,根据目标图片在背景图片中查找相似的区域
List<Rectangle> a = matchTemplateTest(sourceMat, targetMat);
// 取第一个值,也就是匹配到的最相识的区域,可以定位目标坐标
// 也是我们期望的坐标点
Rectangle rec = a.get(0);
// 下面是验证,将识别到的区域用红色矩形框标识出来，进行验证看是否正确
Graphics g = biBuffer.getGraphics();
// 画笔颜色
g.setColor(Color.RED);
// 矩形框(原点x坐标，原点y坐标，矩形的长，矩形的宽)
g.drawRect(rec.x, rec.y, rec.width, rec.height);
g.dispose();
//输出到本地，验证区域查找是否正确
FileOutputStream out = new FileOutputStream("d:\\checkImage.png");
ImageIO.write(biBuffer, "png", out);
}
/**
* 模板匹配算法，根据目标图片在背景图片中查找相似的区域
* @param sourceMat 背景区域图片数组矩阵
* @param targetMat 切片目标区域图片数组矩阵
* @return 坐标点集合
*/
public static List<Rectangle> matchTemplateTest(CvMat sourceMat, CvMat targetMat) {
List<Rectangle> rtn = new ArrayList<Rectangle>();
//对图象进行单通道、二值化处理
CvMat source = opencv_core.cvCreateMat(sourceMat.rows(), sourceMat.cols(), opencv_core.CV_8UC1);
CvMat target = opencv_core.cvCreateMat(targetMat.rows(), targetMat.cols(), opencv_core.CV_8UC1);
opencv_imgproc.cvCvtColor(sourceMat, source, opencv_imgproc.CV_BGR2GRAY);
opencv_imgproc.cvCvtColor(targetMat, target, opencv_imgproc.CV_BGR2GRAY);
CvSize targetSize = target.cvSize();
CvSize sourceSize = source.cvSize();
CvSize resultSize = new CvSize();
resultSize.width(sourceSize.width() - targetSize.width() + 1);
resultSize.height(sourceSize.height() - targetSize.height() + 1);
CvMat result = cvCreateMat(resultSize.height(), resultSize.width(), CV_32FC1);
//利用模板匹配算法进行查找
cvMatchTemplate(source, target, result, CV_TM_CCOEFF_NORMED);
opencv_core.CvPoint maxLoc = new opencv_core.CvPoint();
opencv_core.CvPoint minLoc = new opencv_core.CvPoint();
double [] minVal = new double[2];
double[] maxVal = new double[2];
//找出图片数据中最大值及最小值的数据
cvMinMaxLoc(result, minVal, maxVal, minLoc, maxLoc, null);
Rectangle rec = new Rectangle(maxLoc.x(), maxLoc.y(), target.cols(), target.rows());
//将查找到的坐标按最优值顺序放入数组
rtn.add(rec);
source. release ();
target.release();
result.release();
opencv_core.cvReleaseMat(result);
opencv_core.cvReleaseMat(source);
opencv_core.cvReleaseMat(target);
source = null;
target = null;
result = null;
return rtn;
}
我们看一下识别到的结果区域（红色矩形标识就是有系统自动识别出来的）霸气不霸气：
系统自动识别出来的区域坐标
四、根据第三步得到的移动坐标点进行坐标移动（这太小菜了,就不大篇幅在这里啰嗦了，可以使用你知道的任何技术进行模拟坐标移动），我用autoit进行举例；
//autoit代码块
//移动鼠标指针。
MouseMove ( x, y [, 速度] )
//参数说明：
x:要移动到的目标位置的 X 坐标。
y:要移动到的目标位置的 Y 坐标。
速度:鼠标移动速度，可设数值范围在 1（最快）和 100（最慢）之间。若设置速度为 0 则立即移动鼠标到指定位置。默认速度为 10。
