1. 项目概述：当滑块验证码遇上AES加密

最近在做一个自动化项目时，遇到了一个相当“顽固”的对手——一个采用了AES加密的滑块验证码。这玩意儿不像那些简单的图片缺口识别，它的核心验证逻辑，尤其是用户滑动轨迹的校验数据，被一层AES加密牢牢包裹，直接提交原始的滑动距离和轨迹数据是行不通的。这本质上是一场攻防演练：防御方（验证码服务）试图通过加密来保护其核心验证算法，而作为进攻方（自动化脚本），我们的目标就是逆向分析出它的加密密钥和模式，从而能够模拟出合法的请求。这个过程，就是一次典型的Web逆向工程实战。

这个项目非常适合那些已经接触过基础爬虫和自动化，但在遇到加密参数时感到无从下手的朋友。它不涉及任何灰色或非法操作，其核心价值在于学习如何系统性地分析一个前端加密逻辑，理解现代Web应用如何保护其接口，并掌握一套可复用的逆向工程方法论。通过拆解这个案例，你将能学到如何从纷繁的浏览器网络请求中定位关键接口，如何一步步追踪JavaScript代码找到加密函数，以及如何最终在Python环境中复现整个加密流程，实现验证码的自动化破解。接下来，我就把自己趟过的路、踩过的坑，以及最终成功的方案，毫无保留地分享给你。

2. 逆向工程的核心思路与准备工作

2.1 目标分析与技术栈选型

我们的终极目标是让程序能自动完成滑块验证码的识别、滑动和结果提交。拆解开来，需要解决三个子问题：

1. 图像识别：获取带缺口的背景图和滑块图，计算出需要滑动的距离。
2. 轨迹模拟：生成一个模拟人类滑动行为的鼠标移动轨迹。
3. 加密破解：将滑动距离和轨迹数据，按照目标网站的加密方式（本例是AES）进行加密，生成能被服务端验证的token或validate参数。

对于问题1和2，已有非常成熟的方案。图像识别可以用OpenCV的模板匹配；轨迹模拟可以使用符合正态分布的加速度模型来生成坐标点序列。真正的难点和本项目的核心在于问题3：如何找到并复现那个AES加密函数。

因此，我们的技术栈很明确：

• 分析工具：Chrome/Edge开发者工具（特别是Sources和Network面板）、可能用到的浏览器插件（如EditThisCookie用于查看Cookie）。
• 调试与追踪：依赖于浏览器内置的JavaScript调试器，设置断点、单步执行、查看调用栈是基本功。
• 实现语言：Python。因为它有丰富的库支持后续的自动化操作（如requests、selenium、opencv-python）以及加密解密（pycryptodome）。

注意：整个逆向过程必须在法律和网站服务条款允许的范围内进行，仅用于学习与研究目的，切勿对目标网站造成负载压力。

2.2 关键接口的抓取与链路分析

一切分析始于网络请求。打开浏览器的开发者工具（F12），切换到Network（网络）面板，并勾选“Preserve log”（保留日志）。然后，手动完成一次滑块验证码操作。

操作完成后，仔细审视网络请求列表。通常，一个完整的滑块验证码流程会包含以下几个关键接口，这与我们搜索到的信息是吻合的：

1. 初始化/获取验证码接口：通常以captcha、verify或auth为路径关键词。它负责初始化一个验证会话，返回本次验证的唯一标识（如session_id或captcha_id）、背景图、滑块图的URL，有时还会包含一些用于后续加密的初始参数（一个key或iv）。
2. 提交验证接口：通常以validate、verify或user_verify为路径关键词。这是最核心的接口，我们生成的滑动距离和轨迹数据，经过加密后，就通过这个接口提交。我们的主要目标就是分析这个接口的请求参数是如何生成的。

你需要找到那个提交验证结果的POST请求。点击它，查看它的Headers（尤其是Form Data或Payload）和Response。你可能会看到类似这样的提交数据：

{ "captcha_id": "xxxx", "validate": "aes_encrypted_long_string_here", "轨迹数据或其他信息": "..." }

这个validate参数，就是一串长长的、看似随机的密文，它就是经过AES加密后的验证信息。我们的任务就是搞清楚，明文是什么，以及加密的细节（密钥、模式、填充方式）。

3. 深入JavaScript：定位与解析加密函数

3.1 全局搜索与断点调试

找到提交接口后，下一步是找出生成validate参数的JavaScript代码。有以下几种常用方法：

• 搜索关键词：在Sources面板下，按Ctrl+Shift+F进行全局文件搜索。可以尝试搜索validate、encrypt、AES、CryptoJS（一个常用的前端加密库）、enc等关键词。
• XHR/Fetch断点：在Sources面板的XHR/Fetch Breakpoints中，可以添加一个断点，URL包含提交接口的关键部分（如user_verify）。这样，当JavaScript代码发起这个请求时，执行会自动暂停。
• 堆栈追踪：在Network面板中，点击那个提交请求，在右侧标签页选择Initiator（发起者），它会显示是哪个函数发起了这个请求，点击对应的行号可以直接跳转到源代码。

一旦成功在加密或提交相关代码处暂停，你就进入了调试环节。这时要充分利用：

• Call Stack（调用堆栈）：查看函数调用链，向上追溯，找到加密函数的入口。
• Scope（作用域）：查看当前函数局部变量、闭包变量、全局变量的值。密钥（key）、偏移量（iv）等关键参数很可能就在这里！
• 单步执行（F10/F11）：一步步执行代码，观察变量值的变化，理解数据流转过程。

3.2 逆向常见的AES实现

在前端，AES加密通常通过以下方式实现：

1. 使用CryptoJS库：非常普遍。你可能会看到CryptoJS.AES.encrypt(plainText, key, { iv: iv, mode: CryptoJS.mode.CBC, padding: CryptoJS.pad.Pkcs7 })这样的代码。这几乎给了你所有信息：明文、密钥、IV、模式（CBC）、填充（Pkcs7）。
2. 使用Web Crypto API：较新的标准。代码会涉及window.crypto.subtle.encrypt，参数配置在algorithm对象中。
3. 自定义或混淆的实现：最棘手的情况。开发者可能自己实现了AES算法，或者对CryptoJS进行了深度混淆。这时需要更大的耐心去分析。

实操心得：在调试时，重点关注一个明文字符串（可能是滑动距离和轨迹的JSON字符串）是如何一步步变成最终的密文的。记录下转换过程中的每一个关键变量值。一个非常有效的方法是：在加密函数执行前，通过控制台（Console）手动修改传入的明文为你自己构造的已知字符串（例如{"distance": 100}），然后执行加密，对比结果。这能帮你确认加密函数是否正确，以及后续在Python中复现时是否一致。

4. 在Python中复现加密流程

4.1 环境搭建与库的选择

分析完成后，我们就需要在Python中还原这个加密过程。首先安装必要的库：

pip install requests opencv-python numpy pycryptodome

• pycryptodome：这是Python下功能强大的加密库，完美支持AES。注意，它通常以Crypto模块导入，与旧的pycrypto冲突，请确保正确安装和导入（from Crypto.Cipher import AES）。

4.2 复现AES加密的关键步骤

假设我们通过逆向分析，得知了以下信息：

• 明文（plain_text）：是一个JSON字符串，例如{"distance": 185, "track": [[0,0],[10,5],...], "timestamp": 1648886400000}。
• 密钥（key）：可能是从初始化接口返回的一个字符串，长度为16、24或32字节（对应AES-128, AES-192, AES-256）。有时密钥需要经过某种编码（如Base64解码）或哈希处理才能使用。
• 偏移量（iv）：可能是一个固定值，也可能是动态生成的。长度必须为16字节。
• 模式（mode）：最常见的是CBC模式。
• 填充（padding）：最常见的是PKCS7填充。

下面是在Python中使用pycryptodome进行AES-CBC加密的示例代码：

import json from Crypto.Cipher import AES from Crypto.Util.Padding import pad import base64 def aes_encrypt(plain_text, key, iv): """ 模拟前端AES-CBC加密 :param plain_text: 明文字符串 :param key: 密钥字节串 :param iv: 偏移量字节串 :return: Base64编码后的密文字符串 """ # 确保明文是bytes data = plain_text.encode('utf-8') # 进行PKCS7填充 padded_data = pad(data, AES.block_size) # 创建加密器 cipher = AES.new(key, AES.MODE_CBC, iv) # 加密 encrypted_bytes = cipher.encrypt(padded_data) # 通常前端输出是Base64字符串 encrypted_b64 = base64.b64encode(encrypted_bytes).decode('utf-8') return encrypted_b64 # 示例用法 if __name__ == '__main__': # 这些值需要从逆向分析中获取 mock_plain_text = json.dumps({"distance": 185, "ts": 1648886400000}) # 密钥和IV必须是16/24/32字节的bytes对象 # 如果分析得到的是Base64字符串，需要先解码 key_from_analysis = "thisis16byteskey".encode('utf-8') # 或 base64.b64decode(key_b64) iv_from_analysis = "1234567890123456".encode('utf-8') # 或 base64.b64decode(iv_b64) validate = aes_encrypt(mock_plain_text, key_from_analysis, iv_from_analysis) print(f"生成的validate: {validate}")

注意事项：

• 编码问题：前端JavaScript的字符串到字节的转换可能与Python默认的UTF-8不同。如果遇到问题，可以尝试其他编码（如latin-1），或者检查密钥/IV是否经过了特殊的处理（如CryptoJS.enc.Utf8.parse）。
• 动态参数：密钥和IV不一定是固定的。它们很可能在“初始化接口”的响应中返回，或者由前端JavaScript根据时间戳、会话ID等动态计算生成。务必确保你在Python中使用的key/iv与单次验证会话中前端使用的完全一致。
• 完整流程集成：这个加密函数需要嵌入到你的自动化流程中：先调用初始化接口获取captcha_id和可能的key/iv；然后用OpenCV计算滑动距离；生成轨迹；组装明文；加密；最后提交。

5. 图像识别与轨迹生成实战

5.1 使用OpenCV计算滑动距离

获取到背景图和滑块图后，我们使用OpenCV的模板匹配功能。这里有一个技巧：滑块图通常是带透明通道的PNG，而背景图是JPG。直接匹配效果可能不好。通常我们需要对滑块图进行一些预处理，比如提取其不透明部分（alpha通道）作为模板。

import cv2 import numpy as np def calculate_slide_distance(bg_path, slice_path): """ 计算滑块需要滑动的距离 :param bg_path: 背景图路径或numpy数组 :param slice_path: 滑块图路径或numpy数组 :return: 滑动距离（像素） """ # 读取图片 bg_img = cv2.imread(bg_path) if isinstance(bg_path, str) else bg_path slice_img = cv2.imread(slice_path, cv2.IMREAD_UNCHANGED) if isinstance(slice_path, str) else slice_path # 处理滑块图的透明背景 # 如果滑块图有4个通道（RGBA），则分离出alpha通道作为掩码 if slice_img.shape[2] == 4: b, g, r, a = cv2.split(slice_img) slice_rgb = cv2.merge([b, g, r]) # 前三个通道是颜色 mask = a # 第四个通道是透明度 # 将模板匹配限制在非透明区域 # 但TM_CCOEFF_NORMED方法本身对均匀区域不敏感，有时直接用RGB效果更好 template = slice_rgb else: template = slice_img # 执行模板匹配，使用归一化相关系数匹配法，效果较好 result = cv2.matchTemplate(bg_img, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) # max_loc是匹配位置左上角的点，对于缺口在右侧的滑块，这就是缺口左边缘的位置 # 注意：有些验证码的滑块图是缺口本身，匹配到的是缺口位置；有些滑块图是凸起部分，匹配到的是滑块位置。 # 需要根据实际情况判断。通常匹配到的x坐标就是需要滑动的距离。 slide_distance = max_loc[0] # 可视化（调试用） # h, w = template.shape[:2] # top_left = max_loc # bottom_right = (top_left[0] + w, top_left[1] + h) # cv2.rectangle(bg_img, top_left, bottom_right, (0, 255, 0), 2) # cv2.imshow('Match', bg_img) # cv2.waitKey(0) return slide_distance

避坑技巧：

• 匹配方法：cv2.TM_CCOEFF_NORMED是最常用的，它对光照变化有一定鲁棒性。
• 多尺度与旋转：极少数验证码会对背景图进行轻微缩放或扭曲。如果常规匹配失败，可以考虑多尺度模板匹配。
• 二次校验：计算出的距离可以尝试加减几个像素，模拟人类误差，并分别加密提交，看哪个能成功。

5.2 模拟人类滑动轨迹

直接以匀速将滑块拖到目标位置太“机器”了，容易被识别。我们需要生成一个包含加速、减速、轻微抖动和过冲回拉的轨迹。

import random import time def generate_track(distance): """ 生成模拟人类的滑动轨迹 :param distance: 目标滑动距离（像素） :return: 轨迹列表，每个元素为[时间偏移量, x坐标, y坐标] """ track = [] current_x = 0 current_y = random.randint(5, 15) # 初始y坐标有一些随机偏移 t = 0 # 总时间在0.5秒到2秒之间随机 total_t = random.uniform(0.8, 1.5) # 将滑动过程分为三段：加速、匀速、减速 mid_distance = distance * random.uniform(0.6, 0.8) # 第一阶段：加速 v = 0 a = random.uniform(1.5, 3.0) while current_x < mid_distance: t += random.uniform(0.01, 0.02) # 时间步长 v += a * 0.02 delta_x = v * 0.02 + random.uniform(-1, 1) # 加入微小抖动 current_x += delta_x current_y += random.uniform(-0.5, 0.5) # y轴轻微晃动 track.append([round(t, 3), round(current_x, 2), round(current_y, 2)]) # 第二阶段：匀速或微减速 v = v * random.uniform(0.8, 1.0) while current_x < distance: t += random.uniform(0.01, 0.02) delta_x = v * 0.02 + random.uniform(-0.5, 0.5) current_x += delta_x current_y += random.uniform(-0.3, 0.3) track.append([round(t, 3), round(current_x, 2), round(current_y, 2)]) # 第三阶段：过冲与回拉（模拟人手抖） overshoot = random.uniform(0, distance * 0.03) current_x += overshoot track.append([round(t+0.05, 3), round(current_x, 2), round(current_y, 2)]) # 回拉到精确位置 current_x = distance track.append([round(t+0.1, 3), round(current_x, 2), round(current_y, 2)]) # 确保最后一个点是精确的目标距离 if track[-1][1] != distance: track.append([round(t+0.12, 3), distance, track[-1][2]]) return track

这个轨迹生成函数模拟了基本的物理运动，并加入了随机性，使其更接近真人操作。生成的轨迹数据需要被整合到上一步的明文JSON中。

6. 全流程集成与自动化脚本

现在，我们将所有模块组合起来，形成一个完整的自动化破解脚本。这里以使用requests和session为例，假设目标网站接口清晰，没有强反爬。

import requests import json import time import cv2 from io import BytesIO from PIL import Image import numpy as np # ... 导入前面定义的 aes_encrypt, calculate_slide_distance, generate_track 函数 ... class SliderCaptchaCracker: def __init__(self, base_url): self.session = requests.Session() self.base_url = base_url self.session.headers.update({ 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36', 'Referer': base_url, }) self.captcha_id = None self.encrypt_key = None self.encrypt_iv = None def init_captcha(self): """步骤1：初始化验证码，获取图片和加密参数""" init_url = f"{self.base_url}/api/captcha/init" resp = self.session.post(init_url).json() # 假设返回格式：{“code”:0, “data”:{“id”:”abc123”, “bg_img”:”url1", “slice_img”:”url2", “key”:”base64key”, “iv”:”base64iv”}} self.captcha_id = resp['data']['id'] bg_img_url = resp['data']['bg_img'] slice_img_url = resp['data']['slice_img'] self.encrypt_key = base64.b64decode(resp['data']['key']) # 解码得到bytes self.encrypt_iv = base64.b64decode(resp['data']['iv']) # 下载图片 bg_content = self.session.get(bg_img_url).content slice_content = self.session.get(slice_img_url).content # 转换为OpenCV格式 bg_img = cv2.imdecode(np.frombuffer(bg_content, np.uint8), cv2.IMREAD_COLOR) slice_img = cv2.imdecode(np.frombuffer(slice_content, np.uint8), cv2.IMREAD_UNCHANGED) return bg_img, slice_img def crack_and_submit(self): """主流程：破解并提交""" # 1. 初始化 print("正在初始化验证码...") bg_img, slice_img = self.init_captcha() # 2. 计算滑动距离 print("正在计算滑动距离...") distance = calculate_slide_distance(bg_img, slice_img) print(f"计算出的滑动距离: {distance} 像素") # 3. 生成轨迹 print("正在生成模拟轨迹...") track = generate_track(distance) # 4. 构造明文并加密 print("正在构造验证数据...") timestamp = int(time.time() * 1000) plain_data = { "captchaId": self.captcha_id, "distance": distance, "track": track, "timestamp": timestamp, # 可能还有其他固定或动态参数，需根据逆向分析补充 } plain_text = json.dumps(plain_data, separators=(',', ':')) # 紧凑格式，与前端一致 validate = aes_encrypt(plain_text, self.encrypt_key, self.encrypt_iv) # 5. 提交验证 print("正在提交验证...") submit_url = f"{self.base_url}/api/captcha/verify" payload = { "captcha_id": self.captcha_id, "validate": validate, } resp = self.session.post(submit_url, json=payload).json() return resp if __name__ == '__main__': # 替换成目标网站的基地址 cracker = SliderCaptchaCracker("https://target-website.com") result = cracker.crack_and_submit() print(f"验证结果: {result}")

这个类提供了一个完整的框架。在实际使用中，你需要根据目标网站的具体接口地址、参数名和响应格式进行适配。

7. 常见问题排查与进阶技巧

即使按照上述流程，你也可能会遇到各种问题。下面是一些常见坑点及解决方案：

7.1 加密结果不一致

这是最常遇到的问题，表现为Python加密出的validate和服务端不认可。

• 检查密钥和IV：确认从初始化接口获取的key/iv是否经过了额外的处理（如字符串截取、哈希）。用浏览器调试工具在加密函数处打印出原始的key和iv（可能是CryptoJS的WordArray对象），并查看其十六进制或Base64表示，与你的Python代码获取的进行逐字节对比。
• 检查明文格式：对比你的明文JSON字符串和前端的明文字符串是否完全一致。包括字段顺序、空格、缩进（通常前端会使用JSON.stringify的紧凑模式）。可以尝试在浏览器控制台执行JSON.stringify(your_data)来获取标准格式。
• 检查编码和填充：确认AES的模式（CBC/ECB等）和填充方式（PKCS7/ZeroPadding等）是否正确。pycryptodome的默认填充是PKCS7。
• 动态密钥生成：key/iv可能不是直接来自接口，而是由接口返回的某个种子参数，经过前端JavaScript计算得出。你需要逆向这个计算过程。

7.2 轨迹验证与行为检测

除了加密参数，服务端可能还会验证轨迹数据本身。

• 轨迹合理性：确保生成的轨迹在总时间、速度变化、移动路径上符合人类行为。过于完美或随机的轨迹都可能被拒绝。
• 轨迹加密：有些网站会将轨迹数据也作为明文的一部分进行整体加密。有些则可能单独加密或签名轨迹。需要仔细分析提交的数据结构。
• 鼠标事件监听：高级的验证码可能会监听真实的鼠标移动事件（mousemove）。如果使用requests纯发包模拟，缺少这些事件，可能导致失败。此时可能需要使用selenium或playwright这类浏览器自动化工具来真实地拖动滑块，并在拖动过程中注入JavaScript来获取所需的加密参数。

7.3 应对代码混淆与反调试

现代网站会使用Webpack打包、变量名混淆、代码压缩，甚至加入反调试技巧（如无限debugger循环）。

• 格式化代码：在Sources面板，点击{}按钮可以美化压缩的代码。
• Hook关键函数：在加密函数可能被调用的地方（如Function.prototype.call,CryptoJS.AES.encrypt）设置条件断点，或者使用浏览器插件（如Tampermonkey）注入脚本，直接Hook这些函数，打印出输入输出。
• 绕过反调试：对于无限debugger，可以通过在debugger语句上右键选择“Never pause here”，或者使用setInterval钩子来绕过。

7.4 提升识别成功率

OpenCV模板匹配不是万能的。

• 图像预处理：对背景图和滑块图进行灰度化、高斯模糊、边缘检测（如Canny）有时能提升匹配精度，尤其是当图片有噪声或颜色干扰时。
• 深度学习方案：对于极其复杂或动态的验证码，可以考虑使用深度学习模型（如YOLO做目标检测）来识别缺口位置。但这需要收集和标注数据，成本较高。
• 第三方打码平台：作为备选方案，可以接入商业打码平台，将图片发送给他们，返回识别结果。这适用于项目稳定性和成功率要求高，且愿意支付一定费用的场景。

逆向工程破解加密验证码是一个需要耐心、细心和系统方法的过程。它没有一成不变的公式，每个网站都可能有自己的“花样”。核心思路永远是：观察 -> 假设 -> 验证 -> 实现。从网络请求出发，定位关键代码，理解其数据流和加密逻辑，最后在自动化环境中复现。成功破解的那一刻，带来的不仅是项目上的进展，更是对Web前端安全机制深入理解的成就感。希望这份详细的实战指南，能为你打开逆向工程的大门。