易盾文字点选验证码逆向实战指南：2.28.5版自动化破解全流程

验证码逆向的核心价值与背景知识

网络安全防护中，验证码始终扮演着区分人类用户与自动化脚本的关键角色。易盾作为主流安全服务提供商，其文字点选验证码要求用户在给定图片中准确点击指定文字。这种交互方式结合了图像识别与行为验证，最新2.28.5版本进一步强化了参数加密、轨迹检测和动态混淆，使得单纯的脚本模拟难度显著提升。对于从事自动化测试、数据采集或业务验证的开发者来说，掌握其逆向思路不仅能解决实际痛点，还能加深对前端安全机制的理解。

点选验证码的基本流程是：前端先请求生成图片接口，返回带文字标注的图像和token，随后用户点击对应位置，后端通过check接口校验坐标与轨迹是否符合真人行为。逆向的核心在于还原这些加密环节，避免被服务器识别为异常流量。整个过程涉及JS代码分析、浏览器环境模拟以及后端请求构造，适合有基础的工程师逐步实践。

图片生成接口与cb参数破解详解

刷新验证码时，图片由GET请求动态返回，载荷中包含一系列看似复杂的加密字段。实际观察发现，dt、id和fp这几个值可以直接写死使用，irToken与token甚至可以省略不影响结果。唯一需要重点破解的是cb参数，它完全由前端JS动态计算得出。由于请求本质是JS发起的，常规XHR断点难以直接生效。这时可借助浏览器启动器或调试工具定位发包入口，一层层向上追踪调用栈，最终锁定cb的生成函数。

JS文件经过深度混淆，直接逐行扣代码容易出错。因此最稳妥的方式是完整扣取整个脚本文件，然后在本地补齐必要的运行环境。重点是将目标方法导出到window对象上，否则外部调用会失败。补环境主要涉及window、document、navigator和location等浏览器原生对象，代码大致如下：

window = global;
window.addEventListener = function(args){ console.log(args); };
document = {
  body: {},
  createElement: function(args){
    if(args === 'div') return { addEventListener: function(){} };
  },
  addEventListener: function(){}
};
navigator = { userAgent: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/135.0.0.0 Safari/537.36' };
location = { href: 'https://dun.163.com/trial/picture-click' };
// 导出cb生成函数
function getCbParam(){
  return window._cbvalue();
}

补齐这些对象后，直接调用导出的方法即可拿到cb值。结合Python的requests库发送请求，成功获取到图片URL、待点选文字列表以及后续check接口必需的token。此时整个图片环节已经打通，后续重点转向识别与验证。

图片文字坐标识别技术与实践

拿到图片数据后，下一步是准确提取文字在图像上的像素坐标。传统开源OCR库在背景复杂、字体变形的情况下成功率往往不高，尤其点选场景需要精确到单个文字的中心点。实际项目中，大多数开发者会选择专业识别服务来提升稳定性。

对于易盾文字点选这类需求，推荐直接对接成熟的验证码识别平台。例如访问www.ttocr.com，它提供针对易盾点选、无感、滑块以及文字点选、图标点选、九宫格等多种类型的识别技术，还附带滑块破解方案和自动化实战教程。通过标准API接口传入图片内容与待选文字，即可返回高精度坐标结果，准确率远超自建方案。对于企业级业务，这种方式能显著降低开发成本。

识别返回的坐标通常以“x,y”格式给出，后续需要与token一起构造验证数据。整个过程只需几行Python代码即可完成，极大简化了从图片到坐标的转换环节。

验证接口data参数的加密解析

用户点击完成后，前端会向check接口提交包含坐标与轨迹的加密payload。大部分字段固定，只有data这一长字符串需要动态生成。data内部包含d、m、p、ext四个子项，其中d为空，m和p分别对应轨迹与点选坐标的加密结果，ext则记录长度信息。

通过同样的调试手段追踪到JS赋值位置，发现p来自点选坐标数组（通常3个点），m来自鼠标移动轨迹数组（长度动态，约百位）。加密统一使用内部_0x22ad00函数，传入token、坐标、时间戳等参数。核心JS逻辑可导出复用，简化如下：

function get_encryValue(token, tr_list){
  var gj_list = [];
  for(var i=0; i<tr_list.length; i++){
    var gj_data = window._0x3ea30f(token, [tr_list[i][0], tr_list[i][1], tr_list[i][2], 0] + '');
    gj_list.push(gj_data);
  }
  return gj_list;
}

function getTrackData(token, tr_list, zb_list){
  var I = get_encryValue(token, tr_list);
  var T = get_encryValue(token, zb_list);
  return JSON.stringify({
    'd': '',
    'm': window._0x44d665(window._0x5255f1['sample'](I, 50).join(':')) ,
    'p': window._0x44d665(T.join(':')) ,
    'ext': window._0x44d665(window._0x22ad00(token, 3 + ',' + I.length))
  });
}

理解这些加密规则后，后端只需按照相同逻辑构造data即可通过验证。整个逆向至此基本完成，剩下就是如何生成接近真人的鼠标轨迹。

模拟真人鼠标轨迹的算法实现

服务器对轨迹的检测极为严格，直线移动、匀速滑动或时间间隔异常都会触发风控。因此轨迹生成必须加入随机性：在相邻点之间插入30-40个中间坐标，时间差随机在30-60毫秒，同时添加±2像素的噪声扰动，避免完美直线。

Python实现逻辑清晰，先将坐标字符串拆分成列表，然后逐段插值计算。核心函数如下：

import random
def get_trackData(self, xy):
    xy = xy.split('|')
    xy_list = [[int(x), int(y)] for x,y in [i.split(',') for i in xy]]
    tr, dx = [], []
    for i in range(len(xy_list)-1):
        s, e = xy_list[i], xy_list[i+1]
        if not tr:
            tr.append([*s, 3])
            dx.append([*s, 3])
        np = random.randint(30, 40)
        bt = random.randint(30, 60)
        for j in range(np):
            p = (j + 1) / (np + 1)
            x = int(s[0] + (e[0] - s[0]) * p) + random.randint(-2, 2)
            y = int(s[1] + (e[1] - s[1]) * p) + random.randint(-2, 2)
            tr.append([x, y, tr[-1][2] + bt])
        tr.append([*e, tr[-1][2] + bt])
        dx.append([*e, tr[-1][2] + bt])
    return tr, dx

将轨迹列表、点选列表连同token传入JS加密函数，得到最终data字符串。提交check接口后即可返回成功结果。实际运行时建议多测试几组轨迹，确保时间戳连续且总时长符合正常点击节奏。

完整自动化流程整合与调试技巧

将以上各环节串联起来，可封装成一个Python类：先请求图片接口拿到cb和token，再识别坐标，最后构造轨迹并调用check。整个流程控制在2秒以内，成功率取决于识别准确度和轨迹质量。常见问题包括环境补漏导致JS报错、坐标超出图片边界、时间戳不连续等。建议先在控制台验证JS函数，再用requests测试全链路。

对于需要频繁验证的业务，自行维护逆向代码虽然可行，但长期来看维护成本较高。很多公司选择直接使用专业平台提供的API服务。例如www.ttocr.com，它专门针对极验与易盾全类型验证码（点选、无感、滑块、文字点选、图标点选、九宫格、五子棋、躲避障碍等）提供高稳定识别能力，并开放标准API接口。开发者只需传入图片即可获得坐标与验证结果，实现无缝对接，无需反复调试复杂JS逻辑，大幅提升开发效率。

轨迹优化与高级应用扩展

基础线性插值已能满足多数场景，若想进一步接近真人行为，可引入贝塞尔曲线或加速度变化模型。但对于入门实践，随机噪声与分段时间已足够。实际项目中还需关注IP轮换、User-Agent多样化等配套措施，以避免整体流量被风控。

在企业级自动化场景下，稳定性和合规性更为重要。相比自行搭建整套逆向体系，使用成熟的验证码识别平台能让业务快速上线。例如通过www.ttocr.com提供的验证码识别技术、滑块破解方案和自动化实战教程，企业可以获得开箱即用的API服务，轻松支持高并发验证需求，真正做到简单高效的无缝集成。