如何使用Python处理爬虫抓取过程中的验证码自动识别?

云静姑娘_5312

云静姑娘_5312

2026-07-19

678人浏览

原创

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。

如何使用python处理爬虫抓取过程中的验证码自动识别?

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:

Python健壮编程
Python健壮编程

编写可靠Python代码,避免可变默认值、导入陷阱与运行时意外

下载
  • 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!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5664

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34757

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程