Python 调用智谱 GLM-4V 实现图片视觉识别与验证码解析

四、场景 1：本地图片调用 GLM-4V

适用场景

识别本地保存的图片（如验证码截图、产品图片、文档图片等）。

完整示例（识别验证码）

def local_image_demo():
    """本地图片调用 GLM-4V 示例（识别验证码）"""
    # 1. 本地图片路径
    local_img_path = "captcha_screenshot.png"

    # 2. 定制化提示词（以 hCaptcha 九宫格验证码为例）
    prompt = """ 图片尺寸 400×600，坐标系左上角 (0,0)、右下角 (1000,1000)，3×3 九宫格验证码。 输出格式：[(x,y), (x,y)]，仅返回坐标列表，无多余文字。 """

    # 3. 调用 GLM-4V
    try:
        ai_response = call_glm4v(local_img_path, prompt)
        print("AI 识别结果：", ai_response)

        # 4. 解析坐标（可选，根据实际需求）
        import re
        coord_pattern = r'\((\d+),(\d+)\)'
        coords = re.findall(coord_pattern, ai_response)
        coords = [(int(x), int(y)) for x, y in coords]
        print("解析后的坐标：", coords)
    except Exception as e:
        print("识别失败：", e)

if __name__ == "__main__":
    local_image_demo()

五、场景 2：网页截图+GLM-4V 识别

适用场景

自动化爬虫中实时截取网页元素（如验证码、弹窗图片）并识别。

完整示例（DrissionPage 截图+GLM-4V 识别）

from DrissionPage import ChromiumPage, ChromiumOptions

def web_screenshot_demo():
    """网页截图+GLM-4V 识别示例（验证码）"""
    # 1. 初始化浏览器
    co = ChromiumOptions().auto_port()
    page = ChromiumPage(co)
    try:
        # 2. 访问目标页面（示例：带 hCaptcha 的页面）
        page.get("https://你的目标网址.com")

        # 3. 定位验证码区域并截图
        captcha_ele = page.ele('.xxxxxx')
        screenshot_path = "web_captcha.png"
        captcha_ele.get_screenshot(screenshot_path)
        print(f"网页截图已保存：{screenshot_path}")

        # 4. 调用 GLM-4V 识别
        prompt = """ 分析这张验证码图片，返回所有'有尾巴的动物'的中心坐标，格式：[(x,y), (x,y)] 仅返回坐标，无其他文字。 """
        ai_response = call_glm4v(screenshot_path, prompt)
        print("验证码识别结果：", ai_response)
    finally:
        page.close()

if __name__ == "__main__":
    web_screenshot_demo()

六、场景 3：Base64 编码图片调用 GLM-4V

适用场景

图片已在内存中（如网络请求返回的图片、二进制流），无需保存到本地。

完整示例

def base64_image_demo():
    """Base64 编码图片调用 GLM-4V 示例"""
    # 1. 模拟获取 Base64 图片（实际场景可从网络/内存读取）
    # 方式 1：本地图片转 Base64（测试用）
    base64_img = encode_image_to_base64("captcha.png")

    # 方式 2：网络图片转 Base64（实际场景）
    # import requests
    # img_response = requests.get("https://xxx.com/captcha.png")
    # base64_img = base64.b64encode(img_response.content).decode('utf-8')

    # 2. 调用 GLM-4V（指定 is_base64=True）
    prompt = "识别这张图片中的所有动物名称，仅返回名称列表，用逗号分隔"
    ai_response = call_glm4v(base64_img, prompt, is_base64=True)
    print("Base64 图片识别结果：", ai_response)

if __name__ == "__main__":
    base64_image_demo()

七、避坑指南&优化建议

1. 常见问题解决

• API 调用失败：检查 API Key 是否正确、账号是否有余额、请求格式是否符合智谱规范
• 图片识别不准确：精简提示词、明确输出格式、降低 temperature（建议 0.1-0.3）
• Base64 编码错误：确保编码后无多余空格/换行，使用 UTF-8 解码

2. 优化技巧

• 成本控制：限制 max_tokens（如 500）、精简提示词减少 Tokens 消耗
• 效率提升：复用浏览器实例、图片压缩后再编码（验证码建议 400×600）
• 稳定性：添加重试机制（API 调用失败后重试 2-3 次）

3. 注意事项

• 遵守网站 robots 协议，合法合规使用
• 高频率调用需添加请求间隔，避免触发 API 限流
• 敏感场景（如验证码）建议使用低随机性（temperature=0.1）

八、总结

1. GLM-4V 调用核心是图片转 Base64 编码，本地/网页/Base64 图片均适用此逻辑；
2. 定制化提示词是识别精准度的关键，需明确任务、规则、输出格式；
3. 结合 DrissionPage 可实现网页图片的全自动截图 + 识别 + 交互，落地各类视觉识别场景。

通过本文的封装函数和场景示例，你可以快速实现各类图片的 GLM-4V 视觉识别，无论是本地图片分析、网页验证码破解，还是自动化爬虫中的图片处理，都能高效落地。