本文详细阐述了 Python 爬虫中常见验证码的自动识别技术方案。内容涵盖文字验证码、图像验证码和滑动验证码三大类。针对文字验证码，介绍了基于 Tesseract OCR 的传统方法及基于 Keras/TensorFlow 的深度学习 CNN 模型构建；针对图像验证码，提出了迁移学习和目标检测的思路；针对滑动验证码，深入解析了 OpenCV 模板匹配算法及坐标计算逻辑。此外，文章还提供了环境搭建、代码示例、反爬对抗策略及法律合规建议，旨在帮助开发者构建稳定且合规的爬虫系统。
在网页数据采集过程中，验证码（CAPTCHA）是阻碍自动化脚本访问的主要屏障之一。验证码的全称是 Completely Automated Public Turing test to tell Computers and Humans Apart，即完全自动化的公共图灵测试，用于区分人类用户和计算机程序。其核心目的是防止恶意攻击、垃圾注册、暴力破解等自动化行为。
对于爬虫开发者而言，理解验证码的生成机制并掌握相应的识别技术，是提升爬虫稳定性和效率的关键。本文将深入探讨三种主流验证码类型：文字验证码、图像验证码和滑动验证码，并提供基于 Python 的完整识别解决方案。
在进行验证码识别之前，需要搭建好必要的开发环境。主要依赖包括图像处理库、OCR 引擎以及深度学习框架。
pip install requests pillow opencv-python numpy
Tesseract 是 Google 开源的 OCR 引擎，支持多种语言识别。Linux 下需单独安装二进制文件：
# Ubuntu/Debian
sudo apt-get install tesseract-ocr
sudo apt-get install libtesseract-dev
# Windows/Mac 需从官网下载安装包并配置环境变量
若使用深度学习模型，建议安装 TensorFlow 或 PyTorch：
pip install tensorflow keras
文字验证码是最基础的类型，通常由随机生成的字母、数字或干扰线组成。识别方法主要分为传统 OCR 和深度学习两类。
Tesseract 对清晰、无干扰的文字效果较好，但在面对复杂背景时准确率会下降。因此，预处理至关重要。
from PIL import Image, ImageFilter
import pytesseract
import cv2
import numpy as np
def preprocess_image(image_path):
# 读取图片
img = cv2.imread(image_path)
# 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化 (Otsu's thresholding)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 保存预处理后的图片供 Tesseract 读取
cv2.imwrite('preprocessed.png', binary)
return 'preprocessed.png'
def recognize_text(image_path):
# 预处理
processed_path = preprocess_image(image_path)
# 调用 Tesseract
config = '--psm 6 --oem 3 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789'
text = pytesseract.image_to_string(Image.open(processed_path), config=config)
return text.strip()
if __name__ == '__main__':
result = recognize_text('captcha.png')
print(f'识别结果：{result}')
对于包含扭曲、粘连或复杂背景的验证码，深度学习模型（如 CNN）具有更高的鲁棒性。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.utils import to_categorical
import numpy as np
# 假设已有训练好的数据 X_train, y_train
# X_train shape: (num_samples, height, width, channels)
# y_train shape: (num_samples, num_classes)
def build_model(input_shape, num_classes):
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
return model
# 加载预训练模型
# model = load_model('captcha_model.h5')
# prediction = model.predict(test_image)
图像验证码要求用户识别图片中的特定物体（如'选出所有红绿灯'）。这类问题本质上是图像分类或多标签分类问题。
由于涉及物体检测，简单的 OCR 无法解决。通常采用以下两种方案：
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.mobilenet_v2 import preprocess_input, decode_predictions
def predict_object(image_path):
# 加载预训练模型
base_model = MobileNetV2(weights='imagenet', include_top=True)
# 读取并预处理图片
img = image.load_img(image_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
# 预测
preds = base_model.predict(x)
results = decode_predictions(preds, top=3)[0]
for label, description, score in results:
if score > 0.5:
print(f'识别为：{description} (置信度：{score:.2f})')
滑动验证码是目前较为复杂的类型，通常需要计算滑块在背景图中的偏移量。核心算法是模板匹配。
系统通常会提供一张完整的背景图和一张带有缺口的背景图，或者提供缺口图和背景图。我们需要找到缺口图在背景图中的位置。
OpenCV 提供了 cv2.matchTemplate 函数，通过计算滑动窗口与模板的相关系数来寻找最佳匹配位置。
import cv2
import numpy as np
def find_slider_position(bg_path, gap_path):
# 读取图片
bg = cv2.imread(bg_path)
gap = cv2.imread(gap_path)
# 转换为灰度图
gray_bg = cv2.cvtColor(bg, cv2.COLOR_BGR2GRAY)
gray_gap = cv2.cvtColor(gap, cv2.COLOR_BGR2GRAY)
# 获取缺口图的宽和高
w, h = gray_gap.shape[1], gray_gap.shape[0]
# 执行模板匹配
res = cv2.matchTemplate(gray_bg, gray_gap, cv2.TM_CCOEFF_NORMED)
# 查找最大值及其位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 计算中心点坐标
# 注意：实际移动距离通常是左上角坐标加上缺口宽度的一半
left = max_loc[0]
top = max_loc[1]
distance = left + w // 2
print(f'滑块起始位置：({left}, {top})')
print(f'需要移动的距离：{distance}px')
return distance
# 使用示例
# distance = find_slider_position('bg.png', 'gap.png')
在实际爬虫项目中，验证码识别往往只是其中一环。为了成功绕过验证，还需配合以下策略：
import requests
from fake_useragent import UserAgent
headers = {
'User-Agent': UserAgent().chrome,
'Accept-Language': 'zh-CN,zh;q=0.9'
}
session = requests.Session()
response = session.get('https://example.com/captcha', headers=headers)
# 假设已识别出验证码 token
captcha_token = get_captcha_from_image(response.content)
payload = {
'username': 'user',
'password': 'pass',
'captcha': captcha_token
}
login_response = session.post('https://example.com/login', data=payload, headers=headers)
print(login_response.text)
虽然验证码识别技术在技术上可行，但必须严格遵守法律法规和网站的服务条款。
本文详细介绍了 Python 环境下三种常见验证码的识别原理与实现方案：
随着验证码技术的不断升级（如行为验证、语义验证），识别难度也在增加。开发者应持续关注新技术，同时始终坚守法律底线，确保技术应用的安全性与合规性。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online