Python 爬虫实战：常见验证码自动识别方案

2. 深度学习识别

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。

模型构建思路

1. 输入层：固定尺寸的图片（如 64x64）。
2. 卷积层：提取特征（Conv2D + ReLU + MaxPooling）。
3. 全连接层：分类输出（Flatten + Dense）。
4. 输出层：Softmax 激活函数，对应字符集概率。

代码示例 (Keras)

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)

四、图像验证码识别

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。

1. 识别策略

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：

1. 迁移学习：使用预训练的 ResNet、VGG 或 MobileNet 模型进行微调。
2. 目标检测：使用 YOLO 或 SSD 模型定位特定物体。

2. 实现流程

1. 数据收集：收集大量标注好的验证码图片。
2. 数据增强：旋转、裁剪、加噪，提高模型泛化能力。
3. 模型训练：冻结底层参数，仅训练顶层分类器。
4. 推理预测：输入验证码图片，输出类别概率。

3. 代码逻辑示意

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})')

五、滑动验证码识别

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。

1. 原理分析

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。

2. 模板匹配算法

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。

3. 代码实现

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')

4. 高级处理技巧

• 边缘检测：如果背景纹理复杂，可先使用 Canny 算子提取边缘再进行匹配。
• 多尺度匹配：如果滑块大小不确定，可在不同缩放比例下进行匹配。
• 动态调整：结合 Selenium 或 Appium 模拟鼠标拖拽动作，而非直接修改请求参数。

六、综合应用与反爬对抗

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：

1. 请求头伪造：设置 User-Agent、Referer、Cookie 等字段，模拟真实浏览器。
2. IP 代理池：频繁请求会导致 IP 被封禁，需轮换代理 IP。
3. 时间间隔控制：避免短时间内高频发送请求，加入随机延时。
4. Cookie 维护：保持会话状态，利用 Session 对象管理 Cookie。

示例：集成到 Requests 中

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)

七、法律合规与道德风险

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。

1. 合法用途：仅用于个人学习、研究或获得授权的数据采集。
2. 禁止滥用：不得用于批量注册账号、刷单、攻击服务器等非法活动。
3. 尊重协议：遵守 robots.txt 协议及网站的 API 使用限制。
4. 责任自负：因违规操作导致的封号、法律诉讼等后果由使用者自行承担。

八、总结

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：

• 文字验证码：推荐使用 Tesseract OCR 配合图像预处理，复杂场景下使用 CNN 深度学习模型。
• 图像验证码：适合使用迁移学习模型进行物体分类识别。
• 滑动验证码：利用 OpenCV 模板匹配算法计算偏移量，结合自动化控件模拟拖拽。

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。