验证码识别前必须确认三件事:tesseract能否直接OCR、easyocr是否支持目标语言、是否触发行为风控;检查图片格式与分辨率;确认预处理必要性及会话一致性。

验证码识别前必须确认的三件事
不是所有验证码都适合用 Python 自动识别。先判断:tesseract 能否直接 OCR,easyocr 是否支持目标语言,以及是否触发了行为风控。纯数字+字母、无扭曲无干扰线的验证码,tesseract 通常能搞定;带轻微旋转或背景噪点的,easyocr 更稳;但一旦出现滑块、点选汉字、拼图等类型,Python 本地模型基本无解,得切 API 或放弃。
- 检查验证码图片格式:确保是
.png或.jpg,且分辨率不低于200x50,太小会导致tesseract识别率断崖下跌 - 确认是否需要预处理:灰度化 + 二值化对
tesseract很关键,但easyocr内部已做适配,强行预处理反而可能降低准确率 - 验证请求头和会话一致性:验证码常绑定
session.cookies,用requests.Session()保持会话,别在识别后换新 session 提交
用 tesseract 识别简单验证码的实操要点
tesseract 快、轻量,但对图像质量敏感。别直接喂原始截图,至少做两步清洗:
- 用
cv2读图后转灰度:cv2.cvtColor(img, cv2.COLOR_BGR2GRAY),再用cv2.threshold二值化(推荐cv2.THRESH_OTSU自适应阈值) - 字体大小影响极大:若字符高度低于
15px,先用cv2.resize放大 2 倍,否则tesseract会漏字或连字 - 指定语言和 PSM 模式:
pytesseract.image_to_string(img, lang='eng', config='--psm 8'),其中--psm 8表示“单行文本”,比默认psm 3更准
示例片段:
import cv2
import pytesseract
img = cv2.imread('captcha.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
text = pytesseract.image_to_string(binary, lang='eng', config='--psm 8')
easyocr 在复杂干扰下的实际表现与调参
easyocr 对倾斜、低对比、局部遮挡更鲁棒,但代价是慢(首次加载模型约 1–2 秒)、内存高。它不依赖预处理,但要注意:
- 初始化时指定语言:
reader = easyocr.Reader(['en']),中文需加['ch_sim'],混用会显著拖慢速度 - 默认返回所有检测框结果,真正要的是
result[0][1](置信度最高的文本),别直接取result[0][0](坐标) - 识别失败常见原因是图片过暗:若
result为空,先试cv2.convertScaleAbs(img, alpha=1.2, beta=10)提亮,再传给reader.readtext - 不要反复新建
Reader实例:一个实例复用,否则每次初始化都在加载模型
绕不开的坑:验证码接口绑定与提交时机
识别出文字只是第一步。多数网站校验的是「验证码图片的 sid」或「本次请求的 token」,而非纯文本。常见翻车点:
- 抓包发现验证码请求返回了
set-cookie中的captcha_id,但提交表单时没带上这个字段,导致“验证码错误” - 使用
time.sleep()等待识别完成,结果验证码过期(常见有效期 60–120 秒),应尽快提交 - 多线程并发请求时,
session被共享导致验证码错配,每个线程必须用独立requests.Session()
真正难的从来不是“怎么识”,而是“识完怎么让服务器认”。盯着抓包工具看两次完整请求链,比调参重要得多。
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!











