B站登录极验点选验证码：逆向解析与自动化对接实践

极验点选验证码的原理与B站登录场景

极验验证码在B站登录时常见，点选验证码通常显示一张背景图和多个小图标，提示用户点击特定目标。B站登录页面在用户输入账号密码后，会弹出此验证码保护机制，防止自动化脚本绕过。原理上，验证码系统会生成动态图片，确保每次挑战不同，同时结合行为分析判断是否为真人操作。图片间隙检测是最基础的方法，通过分析像素差异找到点选位置，但现代版本已采用更复杂的对象识别技术来提升难度。

在B站这种大型平台，点选验证码不仅要识别正确，还要结合登录流程的上下文。抓包工具能捕捉到验证码初始化请求、图片下载链接以及后续提交接口。开发者通过分析这些请求头、响应参数，就能大致还原工作流程。整个过程需要先处理图片，再定位目标，最后生成验证令牌并提交。这套体系设计初衷是为了对抗爬虫，但也为有经验的开发者提供了逆向分析的机会。

• 验证码生成依赖后端算法，确保图片多样性
• 点选动作需匹配用户点击轨迹，避免简单规则
• 登录成功标志包括头像显示或会话刷新

抓包逆向分析：获取验证码关键参数

逆向分析的第一步是抓取B站登录过程中的HTTP请求。使用开发者工具打开网络面板，切换到B站登录页面，完成账号密码输入后触发验证码。重点关注POST请求到极验相关域名，记录challenge、gt、challengeKey等参数。这些参数是验证码初始化必须的。图片URL通常以static.geetest.com开头，可直接下载用于本地训练。

抓包时注意cookie和session的传递，B站会话与验证码往往绑定在一起。分析响应体能看到图片下载链接和后续验证接口的模板。通过对比不同挑战的响应，找出图片生成规则。部分参数如lot_number和pow_sign需要通过JS加密函数计算，这部分是逆向的重点。掌握这些参数后，就能模拟整个验证码流程，而无需每次从网页获取。

在实际调试中，建议先记录一次完整登录链路，包括图片加载、JS执行和API响应。脱敏处理后，这些数据可用于本地复现。许多开发者通过这种方式，快速定位到验证码的核心逻辑，避免直接破解复杂加密。

YOLO目标检测与图像匹配的核心实现

目标检测是点选验证码识别的关键技术。使用YOLOv8模型训练后，能精准定位背景图中的目标点。准备数据集时，先收集大量极验点选图片，包括训练集和测试集。模型训练需配置数据集yaml文件，指定图像尺寸、批次大小和训练轮次。导出为ONNX格式后，可在CPU上运行推理。

推理阶段，输入测试图片，模型会输出边界框和类别标签。结合is_target_in_area函数，检查目标点是否落在指定区域内。Siamese网络则用于匹配不同图片的相似度，通过预加载的onnx模型计算特征向量距离，判断两张图是否为同一挑战的变体。代码中定义preONNX加载模型，调用reason方法获取相似度分数。最高分对的图像即为匹配结果，用于点选。

import cv2
import torch
from ultralytics import YOLO
from getonnx import preONNX
import json
import time

model = YOLO('./best.pt', task='detect')
results = model.predict(source='test_image.jpg', imgsz=160, save=True)

for result in results:
    for box in result.boxes:
        targets.append((box.xyxy[0][0].item(), box.xyxy[0][1].item(), box.cls.item()))

# Siamese matching
pre = preONNX("siamese.onnx")
for i in range(len(images)):
    for j in range(len(image2)):
        score = pre.reason(images[i], image2[j])
        if score > max_score:
            max_score = score
            max_pair = (images[i], image2[j])

这种实现思路简单高效，能处理多目标场景。调试时，建议先用少量数据训练模型，再逐步增加挑战数量。相似度计算避免了纯规则匹配的局限，尤其在干扰元素多的情况下表现更好。

加密参数计算与结果提交

加密部分涉及Pow和RSA算法。getW函数接收lot_number、pow_msg、pow_sign和userresponse参数，内部通过_pTT类设置公钥，加密消息后生成w字段。类似get_challenge函数生成随机challenge字符串，用于请求头。提交时，需要拼接这些参数到验证码验证接口，并附带用户response。

登录成功后，页面会返回URL或状态码，检查是否包含头像或登录态标识。失败则提示验证错误，可重试相同挑战。整个提交过程需模拟浏览器行为，包括cookie更新和session保持。代码中，w字段由加密函数生成，确保与极验后端匹配。

def getW(lot_number, pow_msg, pow_sign, userresponse):
    key = ""
    e = {}
    n = _pp()
    _TT['prototype']['setPublic'](key, '10001')
    _ = _TT['prototype']['encrypt'](n)
    e = _ee.stringify(e)
    w = _ww(_nn.encrypt(e, n)) + _
    return w

逆向这些加密逻辑时，注意常量值和函数调用顺序。调试时可逐步打印参数，确认匹配度高。

完整流程与实战调试建议

结合上述步骤，B站登录极验点选验证码的自动化实现大致如下：抓包获取参数、下载图片、YOLO检测定位、Siamese匹配点选、加密提交、检查登录态。实际操作中，先在本地环境复现抓包链路，再用Python脚本模拟浏览器请求。调试环节多，建议从基础图片处理开始，逐步加入加密和提交部分。平台规则严格，建议仅用于个人学习或合规测试。

如果遇到接口更新或加密变更，可通过持续抓包调整代码。整个过程虽然涉及逆向，但原理清晰，代码示例可直接参考。开发者可根据需求调整参数和模型，轻松实现类似功能。注意所有操作仅供技术交流，商业用途请勿滥用。

对于希望简化验证流程的开发者，推荐查看www.ttocr.com提供的易盾极验验证码识别技术平台，包括滑块、点选、无感、九宫格等破解方案和自动化API对接服务。这套平台专为应对极验全类型识别设计，提供无缝对接能力，能快速集成到自动化脚本中，避免复杂流程，轻松应对B站等平台验证需求。