验证码识别，这是一个爬虫开发人员绕不开的痛

关注

原创最新推荐文章于 2026-02-16 00:57:48 发布 388 阅读 AI 写同款· GEO 优化 ›

【愚公系列】《Python网络爬虫从入门到精通》047-验证码识别（第三方验证码识别）在爬虫开发中，验证码是我们需要面对的一个挑战，尤其是当我们遇到更加复杂的验证码时，如何识别它们成为了一个难题。本篇文章，我们将讨论如何使用第三方验证码识别服务来突破这一障碍。相比传统的图像处理与OCR技术，第三方验证码识别服务提供了更为高效和精准的解决方案。通过调用这些服务，我们可以大大简化验证码识别的流程，提升爬虫的自动化程度。第三方验证码识别服务概述：了解市面上常见的第三方验证码识别服务及其优势。如何使用Python调用第三方验证码识别API：讲解如何接入这些服务，并进行验证码的自动识别。阅读详情

点击上方 “AI派 ”，选择“ 设为星标 ”

最新分享，第一时间送达！

☞【加薪必备】全套零基础学AI资料免费领！

Tango，目前就职在一家对日开发的的IT服务公司。不是科班出身的我，出于对编程的热爱，自学了软件开发。从此深深陷入在代码的世界而无法自拔。

编辑：王老湿

我们的专栏发布后，目前已经更新了 11 篇：

等了好久，Scrapy你可终于来了！

今天来来分享下关于爬虫开发中验证码识别的问题。先来说下验证码的事情，验证码（CAPTCHA ）的全称为 全自动区分计算机和人类的公开图灵测试 。从其定义可以看出，验证码用于测试用户是否为真实人类。很多网站在登录或者注册时都会出现一个被扭曲的图片，上面写着一些文本。这些其实就是一种验证码。可以看到，验证码的设计初衷是为了区分出人和机器，防止一些机器/爬虫浪费大量的服务器资源，进而导致正常用户访问受到影响。

但是对于我们做爬虫开发来说，验证码就是拦路虎了，而且现在验证码也在不断设计技术中，这对我们爬虫开发人员就是一个绕不开的痛了。所以这周我们将带着大家通过Python程序来自动识别这些验证码。不过要做好心里准备，程序并不能百分之百的准确识别出来。

情景演示

当我们访问 http://example.python-scraping.com/user/register 这个网站时，你会看到如下的画面：

红框中的内容就是验证码了。我们通过爬虫获取一下这个页面的内容

import requests
from lxml.html import fromstring

def parse_form(html):
    tree = fromstring(html)
    data = {}
    for e in tree.cssselect('form input'):
        if e.get('name'):
            data[e.get('name')] = e.get('value')
    return data

url = "http://example.python-scraping.com/user/register"
session = requests.session()
html = session.get(url)
form = parse_form(html.content) # 获取页面的表单
print(form)

需要安装一个cssselect库。pip install cssselect

这些表单内容我们都很好处理，如果要处理验证码，我们首先需要将它加载出来。

在Python中处理图像我们通常使用Pillow包，安装方法:pip install Pillow

我们通过如下代码来返回Image对象。

from io import BytesIO
from PIL import Image
import base64

def get_img(html):
    tree = fromstring(html)
    img_data = tree.cssselect('div#recaptcha img')[0].get('src')
    img_data = img_data.partition(',')[-1]
    binary_img_data = base64.b64decode(img_data)
    img = Image.open(BytesIO(binary_img_data))
    return img

完整代码如下:

import requests
from lxml.html import fromstring

from io import BytesIO
from PIL import Image
import base64

def parse_form(html):
    tree = fromstring(html)
    data = {}
    for e in tree.cssselect('form input'):
        if e.get('name'):
            data[e.get('name')] = e.get('value')
    return data
def get_img(html):
    tree = fromstring(html)
    img_data = tree.cssselect('div#recaptcha img')[0].get('src')
    img_data = img_data.partition(',')[-1]
    binary_img_data = base64.b64decode(img_data)
    img = Image.open(BytesIO(binary_img_data))
    return img

url = "http://example.python-scraping.com/user/register"
session = requests.session()
html = session.get(url)
form = parse_form(html.content) # 获取页面的表单
img = get_img(html.content) # 获取图片信息
print(img)

我们为了能从图片中识别出字符，接下来需要用到光学字符识别(OCR)技术。

Tesseract的使用

安装方法:pip install pytesseract

除了安装这个库之外，还需要在本地安装一个软件下载地址：https://github.com/tesseract-ocr/tesseract/wiki

根据自己的系统下载对应的版本，我这边以Windows系统为例。

这时运行基本会报错：

我们还需要修改一下源码，就是红框中的py文件。

我们把红框中的内容换成我们软件的安装路经，以下是我的安装路径：

import pytesseract
str_info = pytesseract.image_to_string(img)
print(str_info)

通常我们如果直接去识别这个图片，很大可能会返回空字符串。这是因为这里面有背景噪音也就是干扰元素。

我们观察我们的验证码的文本颜色为黑色的，所以我们可以将图片中黑色部分分离出来，这个过程通常称为阈值化。

img.save('temp.png?raw=true')
new_img = img.convert('L') # 转化灰度图
new_img.save('temp2.png?raw=true')
bw = new_img.point(lambda x: 0 if x < 1 else 255,'1')
bw.save('temp3.png?raw=true')

运行后我们可以看到如下的图片，在我们脚本的同级目录下：

这样我们处理后的图片噪音就少了很多，再通过我们的pytesseract库来进行识别，这样的成功率会比较高。

完整代码：

import requests
from lxml.html import fromstring

from io import BytesIO
from PIL import Image
import base64

import pytesseract

def parse_form(html):
    tree = fromstring(html)
    data = {}
    for e in tree.cssselect('form input'):
        if e.get('name'):
            data[e.get('name')] = e.get('value')
    return data
def get_img(html):
    tree = fromstring(html)
    img_data = tree.cssselect('div#recaptcha img')[0].get('src')
    img_data = img_data.partition(',')[-1]
    binary_img_data = base64.b64decode(img_data)
    img = Image.open(BytesIO(binary_img_data))
    return img

url = "http://example.python-scraping.com/user/register"
session = requests.session()
html = session.get(url)
form = parse_form(html.content) # 获取页面的表单
img = get_img(html.content)
print(img)
img.save('temp.png?raw=true')
new_img = img.convert('L') # 转化灰度图
new_img.save('temp2.png?raw=true')
bw = new_img.point(lambda x: 0 if x < 1 else 255,'1')
bw.save('temp3.png?raw=true')
str_info = pytesseract.image_to_string(bw)
print(str_info)

运行效果：