【Python爬虫】验证码识别技术

目录

• 1 前言
• 2 文字验证码识别 - 使用 ddddocr
• • 2.1 ddddocr 简介
  • 2.2 安装 ddddocr
  • 2.3 基本使用方法
  • 2.4 验证码预处理 - 使用颜色选择
• 3 计算型验证码识别
• • 3.1 计算型验证码特点
  • 3.2 使用超级鹰 API 识别
  • • 3.2.1 步骤 1：注册超级鹰账号
    • 3.2.2 步骤 2：实现超级鹰客户端，从官方下载即可
    • 3.2.3 步骤 3：使用超级鹰识别计算型验证码
  • 3.3 纯本地计算型验证码识别
  • • 3.3.1 实现思路
    • 3.3.2 完整代码
• 4 验证码识别的实践建议
• 4.1 小建议
• • 4.2 常见问题及解决方案
• 5 总结

1 前言

在网络爬虫开发过程中，验证码是一个常见的反爬机制。网站通过验证码来区分人类用户和机器爬虫，增加了自动化采集数据的难度。本文将详细介绍如何使用 Python 实现网站验证码的识别，包括文字验证码和计算型验证码的处理方法。

2 文字验证码识别 - 使用 ddddocr

2.1 ddddocr 简介

ddddocr 是一个基于深度学习的 OCR 识别库，专为验证码识别优化，具有以下特点：

• 轻量级，安装简单
• 识别准确率高
• 支持多种验证码类型
• 无需复杂配置
  

具体参考：ddddocr包链接

2.2 安装 ddddocr

pipinstallddddocr

2.3 基本使用方法

importddddocr# 初始化OCR识别器ocr=ddddocr.DdddOcr(show_ad=False)# 读取验证码图片withopen('captcha.png','rb')asf:image=f.read()# 识别验证码result=ocr.classification(image)print(f"识别结果:{result}")

2.4 验证码预处理 - 使用颜色选择

对于一些复杂的验证码，特别是彩色验证码，我们可以使用颜色选择的方法来提高识别率：

这里使用我的代码，使用color_filter_colors，官方文档里面的案例是错的。

importddddocrdefocr_color(color:str,image_path:str):""" 识别验证码图片中的指定颜色（红色或蓝色） :param color: 颜色名称，"red"或"blue" :return: 识别到的验证码字符串 """ocr=ddddocr.DdddOcr(show_ad=False)image=open(image_path,"rb").read()# 只保留指定颜色部分result=ocr.classification(image,color_filter_colors=[color])returnresult# 实际应用示例# 1. 首先获取验证码图片# 这里使用Playwright截图获取验证码img_loc=page.locator("#verifyImage")img_loc.screenshot(path="verify_code.png")# 2. 获取提示文字，判断需要识别的颜色tip_text=page.locator("#verifyTips").inner_text()if"蓝色"intip_text.strip():verifyCode=ocr_color("blue","verify_code.png")elif"红色"intip_text.strip():verifyCode=ocr_color("red","verify_code.png")else:# 其他类型验证码处理print("处理其他类型验证码")print(f"验证码识别结果：{verifyCode}")

这种方法的优势在于：

1. 可以只关注验证码中的特定颜色，忽略背景干扰
2. 对于彩色验证码的识别率更高
3. 代码简洁，不需要复杂的图像处理步骤
4. 结合 ddddocr 的颜色过滤功能，效果显著

3 计算型验证码识别

3.1 计算型验证码特点

计算型验证码通常是一个简单的数学计算题，如“2+3=?”、“15-7=?”等。识别这类验证码需要：

1. 提取验证码中的文本
2. 解析数学表达式
3. 计算结果

3.2 使用超级鹰 API 识别

对于计算型验证码，我们可以使用第三方验证码识别服务。这里以超级鹰（Chaojiying）API 为例，它支持多种验证码类型。

3.2.1 步骤 1：注册超级鹰账号

1. 访问超级鹰官网
2. 注册账号并充值
3. 添加软件 ID，获取用户名、密码和软件 ID

3.2.2 步骤 2：实现超级鹰客户端，从官方下载即可

importrequestsfromhashlibimportmd5classChaojiying_Client(object):def__init__(self,username,password,soft_id):self.username=username password=password.encode('utf8')self.password=md5(password).hexdigest()self.soft_id=soft_id self.base_params={'user':self.username,'pass2':self.password,'softid':self.soft_id,}self.headers={'Connection':'Keep-Alive','User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',}defPostPic(self,im,codetype):""" im: 图片字节 codetype: 题目类型 参考 http://www.chaojiying.com/price.html """params={'codetype':codetype,}params.update(self.base_params)files={'userfile':('ccc.jpg',im)}r=requests.post('http://upload.chaojiying.net/Upload/Processing.php',data=params,files=files,headers=self.headers)returnr.json()defPostPic_base64(self,base64_str,codetype):""" im: 图片字节 codetype: 题目类型 参考 http://www.chaojiying.com/price.html """params={'codetype':codetype,'file_base64':base64_str}params.update(self.base_params)r=requests.post('http://upload.chaojiying.net/Upload/Processing.php',data=params,headers=self.headers)returnr.json()defReportError(self,im_id):""" im_id: 报错题目的图片ID """params={'id':im_id,}params.update(self.base_params)r=requests.post('http://upload.chaojiying.net/Upload/ReportError.php',data=params,headers=self.headers)returnr.json()

3.2.3 步骤 3：使用超级鹰识别计算型验证码

# 初始化超级鹰客户端chaojiying=Chaojiying_Client('用户名','密码','软件ID')# 读取验证码图片im=open('verify_code.png','rb').read()# 识别验证码（6001表示计算题类型）result=chaojiying.PostPic(im,6001)# 获取识别结果ifresult['err_no']==0:verify_code=result['pic_str']print(f"验证码识别结果:{verify_code}")else:print(f"识别失败:{result['err_str']}")

3.3 纯本地计算型验证码识别

3.3.1 实现思路

1. 用ddddocr识别出验证码图片里的算式文本（例如：3+5=、9-2=、4×3=）
2. 清洗文本，去掉等号、空格
3. 解析并计算结果
4. 输出最终答案

3.3.2 完整代码

importddddocrimportredefcalc_captcha_recognize(image_path:str):""" 纯本地识别计算型验证码（支持 + - × ÷） :param image_path: 验证码图片路径 :return: 计算结果（数字） """# 1. 初始化OCRocr=ddddocr.DdddOcr(show_ad=False)# 2. 读取图片并识别withopen(image_path,"rb")asf:img_bytes=f.read()ocr_result=ocr.classification(img_bytes)print(f"识别到原始算式：{ocr_result}")# 3. 清洗文本：只保留 数字 + - * /# 把 × 替换成 *，把 ÷ 替换成 /expr=ocr_result.strip()expr=expr.replace("=","")# 去掉等号expr=expr.replace("×","*")expr=expr.replace("÷","/")expr=re.sub(r"[^0-9\+\-\*\/]","",expr)# 只保留数字和运算符print(f"清洗后算式：{expr}")# 4. 计算结果（安全计算，避免危险eval）try:# 简单计算验证码用eval足够安全calc_result=eval(expr)# 取整数（计算题一般都是整数）calc_result=int(calc_result)returncalc_resultexcept:return"识别/计算失败"# ====================== 使用示例 ======================if__name__=="__main__":# 传入你的计算型验证码图片answer=calc_captcha_recognize("calc_captcha.png")print(f"验证码最终答案：{answer}")

4 验证码识别的实践建议

4.1 小建议

1. 使用代理 IP：避免因频繁请求被网站屏蔽
2. 添加请求间隔：模拟人类操作，避免请求过于频繁
3. 异常处理：添加完善的异常处理机制，应对识别失败的情况
4. 使用重复验证：验证不一定每次都成功，要重复验证，结合异常处理

4.2 常见问题及解决方案

问题	解决方案
识别率低	增加图像预处理步骤，尝试不同的 OCR 引擎
验证码频繁变化	动态调整识别策略，收集更多样本
被网站屏蔽	使用代理 IP，降低请求频率
计算型验证码解析错误	优化正则表达式，增加表达式解析的鲁棒性

5 总结

验证码识别是爬虫开发中的重要环节，通过使用ddddocr 进行文字识别和第三方服务处理计算型验证码，我们可以有效地应对网站的反爬机制。在实际应用中，需要根据具体情况选择合适的识别策略，并不断优化提高识别准确率。

希望本文对大家有所帮助，祝大家在爬虫开发的道路上越走越远！