如何编写验证码自动识别脚本

本文目录导读：

1. ⚠️ 重要法律与道德提醒
2. 方案一：OCR识别简单文字验证码（Tesseract）
3. 方案二：机器学习识别（CNN+验证码生成）
4. 方案三：使用第三方API服务（推荐简易方案）
5. 方案四：对抗复杂验证码（reCAPTCHA等）
6. 性能优化建议
7. 最佳实践流程
8. 示例完整实现：中文验证码识别
9. 资源推荐

编写验证码自动识别脚本涉及多个技术领域，且需要根据验证码的复杂程度选择不同方案，以下是一个系统性的技术指南,包含从简单到进阶的实现方法。

⚠️ 重要法律与道德提醒

• 仅限学习与研究：仅用于教育、自动化测试或合法爬虫场景
• 禁止破解网站：未经授权绕过验证码可能违反《计算机信息系统安全保护条例》
• 遵守robots.txt：尊重网站的爬虫规则
• 不影响服务质量：请勿高频请求导致服务器压力

OCR识别简单文字验证码（Tesseract）

适用场景

• 清晰无干扰的纯数字/字母
• 背景简单无扭曲

实现步骤

环境准备

pip install pillow pytesseract
# Ubuntu安装Tesseract引擎
sudo apt install tesseract-ocr
# macOS
brew install tesseract
# Windows下载安装包：https://github.com/UB-Mannheim/tesseract/wiki

基础脚本

from PIL import Image
import pytesseract
import requests
from io import BytesIO
def download_captcha(url):
    response = requests.get(url)
    return Image.open(BytesIO(response.content))
def preprocess_image(image):
    # 转为灰度
    gray = image.convert('L')
    # 二值化（阈值调整）
    threshold = 128
    binary = gray.point(lambda p: 255 if p > threshold else 0)
    # 去除噪点（可选）
    binary = binary.filter(ImageFilter.MedianFilter(size=3))
    return binary
def recognize_captcha(image_path_or_url):
    if image_path_or_url.startswith('http'):
        img = download_captcha(image_path_or_url)
    else:
        img = Image.open(image_path_or_url)
    processed = preprocess_image(img)
    # 配置Tesseract参数
    custom_config = r'--oem 3 --psm 8 -c tessedit_char_whitelist=0123456789'
    text = pytesseract.image_to_string(processed, config=custom_config)
    return text.strip()
# 使用示例
result = recognize_captcha('captcha.jpg')
print(f"识别结果: {result}")

常用预处理技巧

• 调整对比度：ImageEnhance.Contrast(img).enhance(2)
• 去噪：img.filter(ImageFilter.MedianFilter(size=3))
• 形态学操作：OpenCV的cv2.erode/cv2.dilate

机器学习识别（CNN+验证码生成）

适用场景

• 中等复杂度验证码
• 有颜色干扰、轻微扭曲
• 需要高准确率

训练数据准备

from captcha.image import ImageCaptcha
import random
def generate_captcha_data(count=10000):
    captcha = ImageCaptcha(width=160, height=60)
    characters = '0123456789abcdefghijklmnopqrstuvwxyz'
    for i in range(count):
        text = ''.join(random.choices(characters, k=4))
        captcha.write(text, f'data/{text}_{i}.png')

简单CNN模型（Keras）

import tensorflow as tf
from tensorflow.keras import layers, models
def build_model():
    model = models.Sequential([
        layers.Conv2D(32, (3,3), activation='relu', input_shape=(60,160,3)),
        layers.MaxPooling2D((2,2)),
        layers.Conv2D(64, (3,3), activation='relu'),
        layers.MaxPooling2D((2,2)),
        layers.Flatten(),
        layers.Dense(128, activation='relu'),
        layers.Dropout(0.25),
        # 输出层：假设4位验证码，每个位置36种可能
        layers.Dense(4 * 36, activation='softmax'),
        layers.Reshape((4, 36))
    ])
    model.compile(optimizer='adam', 
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    return model
def train_model():
    # 假设X_train, y_train已准备好
    model = build_model()
    history = model.fit(X_train, y_train, epochs=20, 
                        validation_split=0.2, batch_size=32)
    model.save('captcha_model.h5')

预测脚本

def predict_captcha(model, image_path):
    img = tf.keras.preprocessing.image.load_img(
        image_path, target_size=(60, 160))
    img_array = tf.keras.preprocessing.image.img_to_array(img)
    img_array = tf.expand_dims(img_array, 0)
    predictions = model.predict(img_array)
    # 解码预测结果
    chars = '0123456789abcdefghijklmnopqrstuvwxyz'
    result = ''
    for pos in range(4):
        idx = tf.argmax(predictions[0][pos]).numpy()
        result += chars[idx]
    return result

使用第三方API服务（推荐简易方案）

主流服务

• 2captcha：约$2/1000次，识别成功率90%+
• Anti-Captcha：支持reCAPTCHA等复杂验证码
• DeathByCaptcha：提供多种验证码类型

使用示例（2captcha）

import requests
import time
class CaptchaSolver:
    def __init__(self, api_key):
        self.api_key = api_key
        self.base_url = 'https://2captcha.com'
    def solve_normal(self, image_path):
        # 上传图片
        with open(image_path, 'rb') as f:
            response = requests.post(
                f'{self.base_url}/in.php',
                files={'file': f},
                data={'key': self.api_key, 'method': 'post'}
            )
        if response.text[:3] != 'OK|':
            raise Exception('Upload failed')
        captcha_id = response.text[3:]
        # 等待结果
        for _ in range(30):  # 最多等30秒
            time.sleep(2)
            response = requests.get(
                f'{self.base_url}/res.php',
                params={'key': self.api_key, 'action': 'get', 'id': captcha_id}
            )
            if response.text == 'CAPCHA_NOT_READY':
                continue
            elif response.text[:3] == 'OK|':
                return response.text[3:]
            else:
                break
        return None

对抗复杂验证码（reCAPTCHA等）

技术挑战

• 行为分析：鼠标轨迹、点击时间
• 图像识别：选择包含xx的图片
• 音频识别（可选）

解决方案工具

1. Selenium + 2captcha：自动化浏览器操作

   from selenium import webdriver
   from selenium.webdriver.common.by import By
   driver = webdriver.Chrome()
   driver.get('https://example.com')
   # 等待验证码元素出现
   captcha_element = driver.find_element(By.CSS_SELECTOR, '.captcha')
   # 截图并发送到第三方服务

2. playwright + stealth：隐藏自动化特征

   pip install playwright-stealth

3. 使用浏览器扩展：某些项目模拟真实浏览器指纹

性能优化建议

最佳实践流程

1. 分析验证码类型：

   • 打开网站查看验证码样式
   • 检查是否支持无障碍/音频验证

2. 尝试简易方案：

   • 先试试Tesseract OCR
   • 若准确率<60%，考虑训练模型

3. 平衡成本与效率：

   • 小规模：训练CNN模型
   • 商业规模：购买API服务

4. 异常处理：

   • 设置重试机制（2-3次）
   • 记录识别失败的样本
   • 定期更新模型训练

5. 法律合规：

   • 确认网站服务条款
   • 限制请求频率
   • 保留使用记录

示例完整实现：中文验证码识别

# 使用PaddleOCR识别中文验证码
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang='ch')
def recognize_chinese_captcha(image_path):
    result = ocr.ocr(image_path, cls=True)
    if result and result[0]:
        text = result[0][0][1][0]
        # 过滤非中文字符
        import re
        text = re.findall(r'[\u4e00-\u9fa5]+', text)
        return ''.join(text) if text else None
    return None

资源推荐

• 验证码生成库：captcha（Python）、svg-captcha（JS）
• 在线训练平台：Google Colab（免费GPU）
• 数据集：Kaggle验证码数据集
• 论文阅读：《CAPTCHA Recognition Using Deep Learning》

最后请记住：自动识别验证码是合法与灰色地带的边缘技术，请始终以学习和技术研究为目的，避免用于任何非法或不道德的用途,建议先获取网站所有者的明确许可。