本文详解如何使用 python 的 requests 库成功获取依赖 php 会话（session）生成的验证码图片，重点解决因缺失 cookie 导致请求失败的问题，并提供可直接运行的完整示例代码。
本文详解如何使用 python 的 requests 库成功获取依赖 php 会话（session）生成的验证码图片，重点解决因缺失 cookie 导致请求失败的问题，并提供可直接运行的完整示例代码。
在自动化采集验证码图像（如用于 OCR 或深度学习识别）时，一个常见误区是直接请求验证码 URL——看似简单，实则极易失败。以目标网站 https://dpdc.org.bd 为例，其验证码由 simple-php-captcha.php 动态生成，该脚本严格依赖 PHPSESSID 等会话 Cookie：未携带有效会话的请求将返回空响应、错误状态码（如 500），或仅返回占位图/空白内容，导致 response.content 无法解析为有效 PNG。
根本原因在于：PHP 验证码脚本通常在服务端检查 $_SESSION 是否已初始化。而 requests.get('captcha_url') 是独立无上下文的请求，不继承任何会话标识，因此被服务端拒绝。
✅ 正确做法是 两步会话驱动请求：
- 首次访问表单页面（如 https://dpdc.org.bd/site/service/ebill_gov/），触发服务器创建会话并下发 PHPSESSID Cookie；
- 复用该会话 Cookie，向验证码 URL 发起第二次请求，确保服务端能关联到有效会话。
以下是经过验证的完整实现（含异常处理与自动 URL 提取建议）：
import requests
from urllib.parse import urljoin, urlparse
import re
# Step 1: 获取会话 Cookie
session = requests.Session()
form_url = "https://dpdc.org.bd/site/service/ebill_gov/"
try:
form_response = session.get(form_url, timeout=10)
form_response.raise_for_status()
print(f"✓ 会话初始化成功，Cookie: {session.cookies.get_dict()}")
except requests.exceptions.RequestException as e:
raise RuntimeError(f"无法访问表单页: {e}")
# Step 2: 从 HTML 中提取动态验证码 URL（推荐方式，避免硬编码）
# 注意：实际页面中 captcha URL 常嵌入 @@##@@ 或 JavaScript 变量
captcha_url = None
# 示例：正则提取 img 标签中的 src（需根据实际 HTML 调整）
img_match = re.search(r'@@##@@]+src=["\']([^"\']+/simple-php-captcha\.php[^"\']*)["\']', form_response.text)
if img_match:
captcha_url = urljoin(form_url, img_match.group(1))
else:
# 回退方案：构造时间戳参数（部分系统需唯一 t 参数防缓存）
import time
timestamp = f"{time.time():.8f}+{int(time.time())}"
captcha_url = f"https://dpdc.org.bd/site/application/libs/captcha/simple-php-captcha.php?_CAPTCHA&t={timestamp}"
print(f"→ 验证码请求地址: {captcha_url}")
# Step 3: 使用同一 Session 请求验证码图片
try:
captcha_response = session.get(captcha_url, timeout=10)
captcha_response.raise_for_status()
# 验证响应内容是否为有效 PNG（可选健壮性检查）
if captcha_response.headers.get("content-type", "").lower().startswith("image/"):
with open("captcha.png", "wb") as f:
f.write(captcha_response.content)
print("✓ 验证码图片已保存为 captcha.png")
else:
raise ValueError(f"响应非图片类型: {captcha_response.headers.get('content-type')}")
except requests.exceptions.RequestException as e:
raise RuntimeError(f"验证码请求失败: {e}")
⚠️ 关键注意事项：
- 禁止跳过会话初始化：直接请求验证码 URL 必然失败，必须先访问其所属页面；
- 务必复用同一 Session 实例：requests.get(..., cookies=...) 手动传 Cookie 易遗漏 domain/path 等属性，Session 自动管理更可靠；
- 动态 URL 处理：验证码 URL 常含时间戳（t= 参数）或随机哈希，需从 HTML 中实时提取，或按规则生成，避免硬编码过期链接；
- 添加超时与异常处理：网络波动或服务端异常频发，timeout 和 raise_for_status() 是生产环境必备；
- 遵守网站 Robots.txt 与使用条款：高频请求可能触发反爬机制，建议添加合理延时（如 time.sleep(1)），并确认用途符合网站政策。
通过以上方法，你即可稳定获取高质量验证码图像，无缝对接后续 Keras OCR 模型训练流程——轻量、高效，彻底告别 Selenium 的资源开销。
