直接pip install ddddocr报错，因依赖onnxruntime等c++库，windows缺构建工具或wheel不匹配，mac需libomp，且不支持python 3.12+。
为什么直接 pip install ddddocr 会报错？
ddddocr 依赖编译型 C++ 库（如 OpenCV、ONNX Runtime），Windows 上常因缺少 Visual Studio 构建工具或预编译 wheel 不匹配而失败。Mac 和 Linux 也容易卡在 onnxruntime 的二进制安装环节。
- 确保已安装 Python 3.8–3.11（
ddddocr不支持 3.12+） - Windows 用户优先用
pip install --find-links @#@#@#@#@#@#@#@#@#@0 -i @#@#@#@#@#@#@#@#@#@1 ddddocr，避免从源码编译 - Mac M1/M2 用户需确认已装
libomp：brew install libomp，否则运行时报OSError: dlopen(...): Library not loaded: @rpath/libomp.dylib - 安装后快速验证：
import ddddocr; ocr = ddddocr.DdddOcr(); print(ocr.version)—— 若报AttributeError: module 'ddddocr' has no attribute 'DdddOcr'，说明安装的是旧版ddddocr（非官方）或名字冲突，应卸载所有含ddddocr字样的包再重装
识别前必须调用 set_ranges 吗？
不需要，但多数验证码图含干扰线、噪点或字符粘连时，不预处理几乎必错。set_ranges 是手动指定字符取值范围（比如只识别数字），它不提升精度，只缩小搜索空间、加快识别并过滤非法结果。
- 默认情况下
ddddocr识别所有 0–9、a–z、A–Z（共 62 类），若你确定验证码全是数字，就加：ocr.set_ranges(['0123456789']) - 若验证码含大小写混合且易混淆（如 0/O、1/l/I），建议先用 PIL 或 OpenCV 做二值化 + 去噪，再喂给
ocr.classification；直接靠set_ranges无法解决形似问题 - 注意：
set_ranges必须在classification调用前设置，且每次只能设一组范围；设错会导致返回空字符串或异常字符
classification 返回空字符串或乱码的常见原因
这是实际使用中最频繁的问题，和图像质量、模型版本、输入格式强相关：
- 输入必须是 RGB 模式 PIL Image 或
bytes（PNG/JPEG 原始字节），不能是灰度图或 NumPy array（除非转成 PIL）；传入np.array(img)会静默失败，返回空 - 图像尺寸太小（ 500×200）都会显著降低准确率；建议 resize 到宽 120–180px、高 40–60px 后再识别
- 使用了带背景色的截图（如浏览器截的带阴影/渐变的图），模型没见过这类训练样本；应提前用
cv2.threshold或 PILconvert('L').point(lambda x: 0 if x 二值化 - 你装的是精简版模型（
ddddocr -s安装的），它只支持数字+小写字母；若验证码含大写，必须用完整版：pip install ddddocr --upgrade（默认即完整版）
怎么绕过滑块/点选类验证码？
ddddocr 只做文字型图形验证码识别，对滑块轨迹、缺口位置、点击坐标等完全无能为力。它的 slide_match 方法仅适用于「两张极相似图找差异区域」（如极微弱的滑块缺口轮廓），且要求：
两张图必须是同一模板不同状态（原始图 + 带缺口图）
缺口需有足够像素级对比（不能是纯 CSS 遮罩或 canvas 动态渲染）
实际成功率低于 40%，远不如 cv2.matchTemplate 稳定
真要处理滑块，该用
cv2.minMaxLoc(cv2.matchTemplate(...))配合边缘检测点选类（如“点击所有水果”）属于目标检测范畴，
ddddocr不提供 bbox 输出，也不支持自定义标签训练
真正难的不是调用几行代码，而是判断这张图到底适不适合用 ddddocr——它只吃干净、单色、字符分离良好的图。一旦出现透视变形、旋转、多色融合或动态干扰，就得切到 OpenCV 预处理 + 其他 OCR 引擎。
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！
