自动化测试中几种常见验证码的处理方式及如何实现？

在自动化测试领域，验证码始终是横亘在测试人员面前的一道难题。无论是图形验证码的视觉识别、短信验证码的动态获取，还是行为验证码的轨迹模拟，每种类型都要求测试团队具备针对性的技术解决方案。本文将系统梳理四大类常见验证码的处理逻辑，结合Python代码示例与工程化实践，为自动化测试提供可落地的技术指南。

一、图形验证码：从OCR识别到深度学习破解

图形验证码作为最基础的验证方式，其处理逻辑经历了从传统OCR到深度学习的技术演进。传统Tesseract OCR在处理简单数字字母组合时效果尚可，但面对扭曲变形、干扰线密集的验证码时准确率骤降。例如某电商平台的验证码包含重叠字符与背景噪点，Tesseract识别率不足30%。

技术实现方案：

1. 预处理增强：通过OpenCV进行二值化、去噪、轮廓提取等操作，显著提升识别率。以下代码展示如何对验证码进行预处理：
   ```python
   import cv2
   import numpy as np

def preprocess_captcha(image_path):

# 读取图像并转为灰度图
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 二值化处理
_, binary = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY_INV)
# 去噪（开运算）
kernel = np.ones((3,3), np.uint8)
processed = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
return processed

2. **深度学习模型**：采用CRNN（卷积循环神经网络）或基于ResNet的特征提取网络，可训练出针对特定验证码的高精度模型。某金融平台通过收集10万张验证码样本训练的模型，在测试集上达到92%的准确率。
3. **打码平台集成**：对于复杂验证码，可接入超级鹰、云打码等第三方服务。以下代码展示如何通过API调用打码平台：
```python
import requests
def recognize_by_platform(image_path):
    url = "https://api.dama2.com/recognize"
    with open(image_path, 'rb') as f:
        files = {'image': f}
    response = requests.post(url, files=files, data={'type': 1004})
    return response.json().get('result')

二、短信验证码：模拟发送与动态获取策略

短信验证码的处理需兼顾测试效率与安全性。直接调用真实短信接口存在成本高、速度慢的问题，而完全模拟又可能遗漏真实场景的异常情况。

工程化解决方案：

1. Mock服务架构：搭建内部短信Mock服务，记录测试用例中的手机号与验证码映射关系。测试时通过拦截短信发送请求，返回预设验证码。
   ```python

   Flask实现的Mock短信服务

   from flask import Flask, request, jsonify

app = Flask(name)
mock_db = {}

@app.route(‘/sms/send’, methods=[‘POST’])
def mock_sms():
data = request.json
phone = data[‘phone’]
code = ‘8888’ # 预设验证码
mock_db[phone] = code
return jsonify({‘code’: 0, ‘msg’: ‘success’})

@app.route(‘/sms/verify’, methods=[‘POST’])
def verify_code():
data = request.json
phone = data[‘phone’]
input_code = data[‘code’]
return jsonify({‘valid’: mock_db.get(phone) == input_code})

2. **真实环境测试**：在预发布环境配置短信白名单机制，仅允许测试账号接收验证码。结合Selenium的等待机制，实现自动化获取：
```python
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
def get_real_sms_code(driver, phone_input_id, code_input_id):
    driver.find_element(By.ID, phone_input_id).send_keys('13800138000')
    driver.find_element(By.ID, 'get_code_btn').click()
    # 等待短信到达（实际需通过API或数据库查询）
    WebDriverWait(driver, 30).until(
        EC.presence_of_element_located((By.ID, code_input_id))
    )
    # 此处应通过其他方式获取真实验证码
    return '实际需从短信平台获取'

三、滑动验证码：轨迹模拟与行为分析

滑动验证码的核心在于模拟人类操作特征，包括拖动速度、加速度、停顿点等。某社交平台的滑动验证码通过分析17种行为特征进行验证，单纯的位置匹配准确率不足5%。

高级模拟技术：

1. 轨迹生成算法：采用贝塞尔曲线或分段匀速运动模拟人类拖动轨迹。以下代码生成带有随机抖动的轨迹：
   ```python
   import numpy as np
   import random

def generate_trajectory(start, end, duration=1.0):

# 生成基础贝塞尔曲线
t = np.linspace(0, 1, 50)
bx = (1-t)**3 * start[0] + 3*(1-t)**2*t * (start[0]+(end[0]-start[0])/3) + \
     3*(1-t)*t**2 * (end[0]-(end[0]-start[0])/3) + t**3 * end[0]
by = np.linspace(start[1], end[1], 50)
# 添加随机抖动
for i in range(1, len(bx)):
    if random.random() > 0.8:
        bx[i] += random.uniform(-2, 2)
return list(zip(bx, by))

2. **行为特征注入**：在轨迹中插入合理的停顿点（0.3-0.8秒）和速度变化，使行为更接近真实用户。
3. **无头浏览器配置**：使用Chrome DevTools Protocol调整网络延迟、设备像素比等参数，规避反自动化检测：
```python
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
options = Options()
options.add_argument('--disable-blink-features=AutomationControlled')
options.add_experimental_option('excludeSwitches', ['enable-automation'])
options.add_experimental_option('useAutomationExtension', False)
# 设置设备指标
mobile_emulation = {
    "deviceMetrics": {"width": 360, "height": 640, "pixelRatio": 3.0},
    "userAgent": "Mozilla/5.0 (Linux; Android 8.0; Pixel 2 Build/OPD3.170816.012)..."
}
options.add_experimental_option("mobileEmulation", mobile_emulation)
driver = webdriver.Chrome(options=options)

四、行为验证码：综合对抗策略

行为验证码（如Google reCAPTCHA v3）通过分析用户交互行为进行风险评分，传统方法难以有效应对。

突破性解决方案：

1. 浏览器指纹伪装：使用Puppeteer Extra Stealth插件修改Canvas指纹、WebGL渲染器等特征：
   ```javascript
   const puppeteer = require(‘puppeteer-extra’);
   const StealthPlugin = require(‘puppeteer-extra-plugin-stealth’);
   puppeteer.use(StealthPlugin());

(async () => {
const browser = await puppeteer.launch({ headless: false });
const page = await browser.newPage();
await page.setUserAgent(‘Mozilla/5.0…’);
// 其他指纹修改配置
})();
```

1. 人机行为模拟库：开发包含鼠标移动、滚动、点击频率等特征的行为模拟库，使自动化操作更接近真实用户。

2. 第三方验证服务：对于高安全性场景，可考虑使用2Captcha等人工验证服务，但需权衡成本与效率。

五、工程化实践建议

1. 分层处理策略：根据验证码类型选择处理方式（Mock优先、识别次之、人工最后）
2. 动态配置中心：通过配置文件管理不同环境的验证码处理策略
3. 异常处理机制：设置超时重试、备用方案等容错机制
4. 数据安全防护：对真实手机号、验证码等敏感信息进行加密存储

在自动化测试中处理验证码，本质是在测试效率与验证强度之间寻找平衡点。通过技术手段的持续演进，测试团队能够更优雅地应对各类验证机制，为产品质量保驾护航。