滑动验证码不能直接用requests模拟，因其依赖前端JS行为验证，服务端校验浏览器环境及鼠标轨迹等特征；需用Selenium复现人类操作上下文，并配合OpenCV识别缺口、生成非线性拖动轨迹及伪造浏览器指纹。
滑动验证码为什么不能直接用 requests 模拟？
因为滑动验证码本质是前端 JavaScript 行为验证，服务端会校验浏览器环境（如 navigator.webdriver、document.documentElement.scrollHeight、鼠标轨迹时间戳等），纯 requests 没有 DOM 和 JS 执行能力，发过去的数据包会被直接拒绝，返回 412 或跳转到验证页。
真实场景中，你看到的“滑块缺口对齐”动作，背后是浏览器内核在采集：鼠标移动路径、加速度、停留点、Canvas 渲染时序、甚至 WebGL 纹理指纹。绕过它不是靠“识别图片”，而是复现人类操作上下文。
用 Selenium + cv2 处理滑块缺口识别的实操要点
缺口识别只是第一步，且多数情况下不需要 OCR 或深度模型——原始图和背景图都是服务端返回的 base64 或 URL 图片，用 OpenCV 做模板匹配足够稳定。
- 务必先禁用 Selenium 的自动化特征：
options.add_argument("--disable-blink-features=AutomationControlled")，并注入Object.defineProperty(navigator, 'webdriver', {get: () => undefined}) - 缺口图通常比背景图略小（含阴影/边框），匹配前对缺口图做
cv2.Canny边缘检测 +cv2.matchTemplate时使用cv2.TM_CCOEFF_NORMED效果更稳 - 注意坐标偏移：网页缩放、高 DPI 屏幕、CSS transform 都会影响最终拖动距离，需用
element.location_once_scrolled_into_view后再读取element.size和element.location计算真实像素位置 - 示例关键行：
res = cv2.matchTemplate(bg_img, slider_img, cv2.TM_CCOEFF_NORMED)，取np.unravel_index(np.argmax(res), res.shape)得到左上角坐标
模拟人类拖动轨迹不能只走直线
直接 ActionChains(driver).drag_and_drop_by_offset(slider, x, 0).perform() 几乎必失败——服务端会检测轨迹是否为匀速直线（机器行为特征）。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 生成非线性轨迹：用贝塞尔曲线或分段三次样条，x 坐标按时间均匀采样，y 坐标叠加 ±3~5px 随机抖动
- 控制总耗时：一般在 500~1200ms 区间，太快像机器人，太慢触发超时；建议用
time.sleep(random.uniform(0.01, 0.03))控制每步间隔 - 起始和结束阶段要减速：前 20% 路程用 70% 速度，后 20% 用 30%，中间匀速 —— 这个节奏能过大多数风控
- 必须在拖动前触发
mousedown，拖动中触发多次mousemove，结束后触发mouseup；Selenium 的move_by_offset默认不触发事件，得用driver.execute_script注入原生事件
验证码接口响应后仍需检查 success 字段
滑块拖完只是提交了行为数据，服务端还需异步校验轨迹真实性，返回 JSON 中的 success 不一定为 true，常见错误包括："message": "轨迹校验失败"、"code": 20001。
- 不要依赖页面跳转判断成功，而应监听 XHR 请求（可用
driver.get_log("performance")过滤Network.responseReceived，提取响应体） - 若失败，立即关闭当前 tab 并新开，避免残留环境指纹；重试最多 2 次，超过就换代理/IP
- 部分站点（如极验 v3）会在成功后返回一个
validatetoken，需带入后续请求头X-Validation，漏掉这个字段后续请求仍 403
真正难的不是识别图片，而是让整个浏览器环境看起来“没被操控过”。哪怕轨迹完全一致，canvas.fingerprint 或 audioContext 特征不对，也会被秒杀。别省略无头模式下的字体枚举、WebGL vendor 伪造这些细节。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
