Java + Selenium + OpenCV解决自动化测试中的滑块验证

最近工作过程中，一个常用的被测网站突然增加了滑块验证环节，导致整个自动化项目失效了。

为了解决这个滑块验证问题，在网上查阅了一些资料后，总结并实现了解决方案，现记录如下。

1、滑块验证思路

被测对象的滑块对象长这个样子。相对而言是比较简单的一种形式，需要将左侧的拼图通过下方的滑块进行拖动，嵌入到右侧空槽中，即完成验证。

要自动化完成这个验证过程，关键点就在于确定滑块滑动的距离。

根据上面的分析，验证的关键点在于确定滑块滑动的距离。但是看似简单的一个需求，完成起来却并不简单。

如果使用自然逻辑来分析这个过程，可以拆解如下：

1. 定位到左侧拼图所在的位置，由于拼图的形状和大小固定，那么其实只需要定位其左边边界离背景图片的左侧距离。（实际在本例中，拼图的起始位置也是固定的，节省了不少工夫）

2. 定位到右侧凹槽所在位置，同样其形状和大小是固定的，那么只需要定位其左边边界离背景图片的左侧距离。

3. 用2中探测到的距离减去1中的距离，既是滑块需要被拖动的距离。

要完成上述的探测计算，首先我们想到的是使用元素定位的方法定位到拼图和凹槽的位置。

然而这一想法是不可行的，原因在于这个验证模块是使用两个canvas即画布元素实现的：

拼图和凹槽都是“画”在画布上的，其本身并不是一个页面元素，不能使用元素定位的方法。

因此我们考虑使用图片解析的方法，分析画布图像本身，来确定相应图形的位置。

2、使用OpenCV进行图片解析

这里我们将引入OpenCV库，来帮我完成图片解析过程：

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 
它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV用C++语言编写，它具有C ++，Python，Java和MATLAB接口，并支持Windows，Linux，Android和Mac OS，OpenCV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令， 如今也提供对于C#、Ch、Ruby，GO的支持。

2.1 OpenCV引入项目

1：下载 OpenCV

进入到官网 https://opencv.org/releases/ 下载对应系统的 openCV 软件包后，解压放置到本地。

使用Maven依赖并不能引入正确的OpenCV外部依赖，这里需使用外部

2：工程中添加 jar 包

Intellij 中选择 File -> Project Structure -> Modules -> Dependencies

点击 add -> JARS or directories... 选择

3. 新建滑块验证工具类，引入OpenCV动态链接库文件：opencv_java450.dll

public class slideUtil {

    public static String dllPath = "D:\\AutoTest\\src\\main\\resources\\lib\\opencv\\opencv_java450.dll";

    public static void main(String[] args) {

        //getDistance();//调试用的main方法，调用一个getDistance方法，获取拼图和凹槽之间的距离，返回double类型数值。
    }

　　

2.2 实现图片解析，计算所需距离

由于本项目的特点，拼图的形状和位置是固定的，首先我们将拼图和凹槽图片下载到本地，方便后续处理。（其它项目可能出现图片形状不固定的情况，可以直接用selenium实时下载图片，这过程比较简单，因此不赘述）。
下载完的图片如下：

凹槽图片：

拼图图片：

下面直接上代码再做说明：

    public static double getDistance(){

        // 加载OpenCV本地库
        System.load(dllPath);

        //System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

//对拼图图形进行处理，存储为Mat类型①

        Mat slideBlockMat=Imgcodecs.imread("slide_blk.png");//由于本项目的特点，拼图的形状和位置是固定的，因此直接将拼图图片保存到本地进行使用了

//Step1、灰度化图片②

        Imgproc.cvtColor(slideBlockMat,slideBlockMat,Imgproc.COLOR_BGR2GRAY);

        imwrite("cvt_blk.png",slideBlockMat);

//Step2、去除周围黑边

        for (int row = 0; row < slideBlockMat.height(); row++) {

            for (int col = 0; col < slideBlockMat.width(); col++) {

                if (slideBlockMat.get(row, col)[0] == 0) {

                    slideBlockMat.put(row, col, 96);

                }

            }

        }

        imwrite("nsr_blk.png",slideBlockMat);

//Step3、转黑白图

        Core.inRange(slideBlockMat, Scalar.all(96), Scalar.all(96), slideBlockMat);

        imwrite("ezh_blk.png",slideBlockMat);

//对滑动背景图进行处理③

        Mat slideBgMat = Imgcodecs.imread("slide_bg.png");//背景凹槽图片需要动态获取，见下面的解析

//Step1、灰度化图片④

        Imgproc.cvtColor(slideBgMat,slideBgMat,Imgproc.COLOR_BGR2GRAY);
        imwrite("hdh_bg.png",slideBgMat);

//Step2、二值化
        //Core.inRange(slideBgMat, Scalar.all(96), Scalar.all(96), slideBgMat);

        Imgproc.threshold(slideBgMat,slideBgMat,127,255, Imgproc.THRESH_BINARY);
        imwrite("ezh_bg.png",slideBgMat);

        Mat g_result = new Mat();

        /*
         * 将凹槽背景和拼图图形进行匹配⑤
         */

        Imgproc.matchTemplate(slideBgMat,slideBlockMat,g_result, Imgproc.TM_CCOEFF_NORMED);

        Point matchLocation= Core.minMaxLoc(g_result).maxLoc;

//返回匹配点的横向距离

        System.out.println(matchLocation.x);
        return matchLocation.x;
    }

2.3 算法解析说明

①什么是Mat类型：

Mat 是 OpenCV 中用来存储图像信息的内存对象。Mat 对象中除了存储图像的像素数据外，还包括图像的其它属性：宽、高、类型、维度、大小、深度等。

可以认为在OpenCV中，一个Mat对象就定义了一个图像。

 

②对于slide_blk.png的处理经过了以下过程：

灰度化： 去黑边： 二值化：

最终的目的在于将图形转化为黑白分明的图形，便于后续匹配。

③本项目中，由于背景凹槽图片，凹槽的位置是动态的，所以需要实时动态获取：（如果遇到拼图也需要动态获取，可以同样处理）

WebElement bg_canvas = driver.findElement(slide_ver_bg_by);//元素定位，定位到背景图片

        Object base64 = ((JavascriptExecutor) driver)
                .executeScript("return arguments[0].toDataURL('image/png').substring(21);", bg_canvas);//页面元素转Base64
        String base64Str = base64.toString();
        generateImage(base64Str , "slide_bg.png");// 将base64把字符串装换成图片

　　

④对于slide_bg.png的处理经过了以下过程：

灰度化： 二值化：

这里省略了去黑边这一过程，因为实践发现，经过上述两部后，我们已经能够进行较为准确的图片匹配了。

⑤matchTemplate：在模板和输入图像之间寻找匹配,获得匹配结果图像

esult：保存匹配的结果矩阵

TM_CCOEFF_NORMED标准相关匹配算法

minMaxLoc：在给定的结果矩阵中寻找最大和最小值，并给出它们的位置

3、Selenium处理滑块滑动

Selenium的滑块处理是库里的标准玩法，使用actions类或者javaScript的方式都可以实现，本例采用的是actions类方法：

    public void slide_verify(WebDriver driver) throws InterruptedException {

        double  slideDistance = getDistance();//此处就是调用2中的OpenCV计算拼图和凹槽距离

        System.out.println("滑动距离是" + slideDistance);

        WebElement dragElement = driver.findElement(slide_obj_by);//定位到滑块

        Actions actions = new Actions(driver);

        actions.clickAndHold(dragElement);//模拟鼠标动作，按住滑块
        Thread.sleep(300);

//滑动，分两次进行①
        actions.moveByOffset(((int)slideDistance - 11)/2,0);
        Thread.sleep(1000);
        actions.moveByOffset(((int)slideDistance - 11)/2,0);
        Thread.sleep(500);

        actions.release();
        actions.perform();

    }

　　

①这里进行滑动时，首先滑动距离之所以要减去11，是因为本例中拼图的初始位置固定离整体图形的左边距是11.

分两次滑行并且中间sleep了一个时间，是为了防止全匀速拖动而被识别为机器人。

其它文章中有提到使用比较复杂的拖动轨迹算法，本项目中实践得知，滑动轨迹并没有太重要，分两次拖动就可以了，没必要复杂化。

4、最终效果

最终的滑动效果，因为被测网站的敏感性就不放上来了，最终实现成果是较为理想的。

希望这篇文章能够帮助到有需要的人。