自动化测试中几种常见验证码的处理方式及如何实现？

在自动化测试流程中，验证码作为反爬虫机制的核心组件，常成为测试脚本执行的”断点”。本文将从技术实现角度，系统梳理图形验证码、短信验证码、行为轨迹验证码、滑块验证码等主流类型的破解策略，并提供可落地的代码实现方案。

一、图形验证码处理方案

1.1 传统OCR识别技术

基于Tesseract OCR引擎的识别方案，适用于简单数字字母组合的验证码。需注意预处理步骤对识别率的影响：

import pytesseract
from PIL import Image
def ocr_captcha(image_path):
    # 二值化处理
    img = Image.open(image_path).convert('L')
    # 阈值处理
    threshold = 150
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    img = img.point(table, '1')
    # 执行OCR识别
    text = pytesseract.image_to_string(img, config='--psm 7')
    return text.strip()

优化方向：通过图像增强算法（如高斯模糊、边缘检测）提升识别率，实际测试中复杂验证码识别率可达65%-75%。

1.2 深度学习识别方案

采用CNN卷积神经网络训练定制模型，处理复杂干扰线的验证码：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(60,160,1)),
    MaxPooling2D(2,2),
    Conv2D(64, (3,3), activation='relu'),
    MaxPooling2D(2,2),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')  # 假设10个字符类别
])
model.compile(optimizer='adam', loss='categorical_crossentropy')

数据准备要点：需收集至少5000张标注验证码图片，采用数据增强技术（旋转、缩放、噪声添加）扩充数据集。

二、短信验证码处理策略

2.1 接口模拟方案

通过构造模拟请求绕过真实短信发送：

// 模拟短信接口示例
@RestController
public class MockSmsController {
    @GetMapping("/api/sms/send")
    public ResponseEntity<?> sendSms(@RequestParam String phone) {
        String mockCode = String.valueOf((int)((Math.random() * 9 + 1) * 100000));
        // 存储验证码到Redis，设置5分钟过期
        redisTemplate.opsForValue().set("sms:"+phone, mockCode, 300, TimeUnit.SECONDS);
        return ResponseEntity.ok(Map.of("code", mockCode));
    }
}

实施要点：需与开发团队约定测试环境专用接口，避免影响生产环境。

2.2 验证码缓存策略

在测试框架中集成验证码缓存机制：

import redis
class CaptchaCache:
    def __init__(self):
        self.r = redis.Redis(host='localhost', port=6379, db=0)
    def store_captcha(self, session_id, code):
        self.r.setex(f"captcha:{session_id}", 300, code)  # 5分钟有效期
    def get_captcha(self, session_id):
        return self.r.get(f"captcha:{session_id}")

应用场景：适用于需要保持会话连续性的复杂测试场景。

三、行为轨迹验证码破解

3.1 轨迹模拟算法

针对拖拽式验证码，通过贝塞尔曲线模拟人类操作轨迹：

function generateHumanCurve(startX, startY, endX, endY) {
    const cpX1 = startX + (endX - startX) * 0.3 + Math.random() * 20 - 10;
    const cpX2 = startX + (endX - startX) * 0.7 + Math.random() * 20 - 10;
    const points = [];
    const steps = 50;
    for (let i = 0; i <= steps; i++) {
        const t = i / steps;
        const mt = 1 - t;
        const x = mt * mt * mt * startX + 
                 3 * mt * mt * t * cpX1 + 
                 3 * mt * t * t * cpX2 + 
                 t * t * t * endX;
        const y = startY + (endY - startY) * t; // 简化版，实际应为Y方向的贝塞尔曲线
        points.push({x: Math.round(x), y: Math.round(y)});
    }
    return points;
}

优化参数：通过调整控制点位置和步长，使轨迹更接近人类操作特征。

3.2 机器学习轨迹生成

使用LSTM神经网络学习真实用户操作模式：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
model = Sequential([
    LSTM(64, input_shape=(None, 2)),  # 输入形状：(时间步长, 坐标维度)
    Dense(2)
])
model.compile(optimizer='adam', loss='mse')
# 训练数据应为(时间步长,2)的坐标序列

数据采集要求：需收集至少1000条真实用户操作轨迹，每条轨迹包含50-100个坐标点。

四、滑块验证码处理技术

4.1 图像匹配定位

通过OpenCV进行缺口位置识别：

import cv2
import numpy as np
def find_gap_position(bg_img, slide_img):
    # 转换为灰度图
    bg_gray = cv2.cvtColor(bg_img, cv2.COLOR_BGR2GRAY)
    slide_gray = cv2.cvtColor(slide_img, cv2.COLOR_BGR2GRAY)
    # 使用模板匹配
    res = cv2.matchTemplate(bg_gray, slide_gray, cv2.TM_CCOEFF_NORMED)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
    # 计算缺口位置（需根据实际图片调整偏移量）
    gap_x = max_loc[0] + slide_img.shape[1] // 2
    return gap_x

精度提升技巧：采用多尺度模板匹配和边缘检测算法提高定位准确率。

4.2 物理运动模拟

模拟真实拖拽的加速度曲线：

import math
def simulate_drag(distance, duration=1.5):
    points = []
    time_steps = 50
    for i in range(time_steps):
        t = i / time_steps * duration
        # 模拟先加速后减速的运动曲线
        if t < duration * 0.4:
            progress = t / (duration * 0.4)
            x = distance * math.pow(progress, 2)  # 加速阶段
        else:
            progress = (t - duration * 0.4) / (duration * 0.6)
            x = distance * (0.4 + 0.6 * math.sqrt(1 - math.pow(progress - 1, 2)))  # 减速阶段
        points.append(x)
    return points

参数调整建议：根据实际滑块宽度调整duration参数，通常在1.2-1.8秒之间。

五、最佳实践建议

1. 环境隔离原则：建立独立的测试环境，使用mock服务替代真实验证码系统
2. 合法合规使用：仅在获得授权的测试环境中使用验证码破解技术
3. 多方案组合：针对不同验证码类型采用组合策略，如OCR+图像匹配
4. 动态适应机制：实现验证码识别失败后的自动重试和策略切换
5. 性能监控：记录验证码处理耗时，优化识别算法效率

六、未来发展趋势

随着AI技术的发展，验证码系统正朝着”无形验证”方向演进，测试人员需关注：

• 行为生物特征识别（鼠标轨迹、打字节奏）
• 无感验证技术（设备指纹、环境感知）
• 区块链验证体系（去中心化身份认证）

建议测试团队建立持续学习机制，定期评估新技术对测试策略的影响。通过构建可扩展的验证码处理框架，确保自动化测试体系能够快速适应验证机制的技术迭代。