做爬虫的最怕遇到验证码了，费尽了心思好不容易搞定了IP轮询，还模拟好了浏览器指纹，自认为整个流程已然是没有任何破绽，堪称天衣无缝了，突然弹出来的图形验证码，直接让数据流戛然而止。

遇见图形验证码别慌，当代理 IP池碰到初级验证码——如四位数字字母混合、简单扭曲、背景噪点这类图片时，这套“组合拳”打法，能让你90%的初级验证码自动过。

第一步：别急着识别，先试试“绕过”和“屏蔽”

最高级的应对，是从源头减少麻烦。动识别模型之前，不妨先琢磨两个问题：

一个问题是，这个验证码能不能触发得晚一点、少一点？很多网站的验证码不是首次访问就出现，而是单位时间内访问频次过高才会触发。一个稳定、优质的动态代理IP池——比如独享IP池或设置得当的隧道代理，本身就是第一道防线。它能有效分散请求，模拟真实用户的“慢速”访问节奏，从根上减少验证码的触发几率。要是用粗暴的高频请求，哪怕换再多IP，也是在“求着”对方弹出验证码。

另一个问题是，我们看到的验证码，浏览器也看到了吗？打开浏览器开发者工具（F12），切换到Network（网络）标签，仔细查看触发验证码的请求。有时候，验证码的答案（Token）会直接藏在某个接口的响应里，或者生成逻辑完全由前端JavaScript计算完成。这种情况下，根本不用识别图形，只要正确重现前端逻辑就行。这类“验证码”本质是“逻辑题”，破解成本比图像识别低多了。

第二步：预处理是成功的一半——把“脏图”变“干净”

从网页上直接下载的验证码图片，大多不能直接扔给识别库。需要一套图像处理“流水线”把它标准化。

关键点在于，预处理没有标准答案，一张处理得当的图片，能够让后续的识别准确率提高数倍。

import cv2
import numpy as np

def preprocess_captcha(image_data):
    # 1. 灰度化：降维，去掉颜色干扰
    gray = cv2.cvtColor(image_data, cv2.COLOR_BGR2GRAY)
    
    # 2. 二值化：将图像转换为纯粹的黑白，便于分离字符和背景
    # 自适应阈值能更好地处理光照不均的图片
    binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                   cv2.THRESH_BINARY_INV, 11, 2)
    
    # 3. 降噪：去除孤立的小黑点（椒盐噪声）
    kernel = np.ones((1, 1), np.uint8)
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
    
    # 4. 去干扰线：如果验证码有贯穿的横线或竖线，可取消注释使用
    # kernel_line = np.ones((2, 2), np.uint8)
    # cleaned = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel_line)
    
    return cleaned

# 假设从网页获取了图片（实际使用时需补充下载逻辑）
# raw_image = cv2.imread("captcha.jpg")  # 本地读取示例，也可对接网络下载
# processed_image = preprocess_captcha(raw_image)

第三步：选择合适的“武器”——识别引擎的选型

图片处理干净后，就该选识别工具了。根据验证码复杂度和项目需求，有三种主流选择：

方案A：OCR通用引擎（快，但适用范围窄）

代表工具：pytesseract（Tesseract的Python封装）、百度/腾讯通用OCR API。

适用场景：字体标准、无扭曲、无粘连、背景极干净的验证码，比如部分企业内部系统或老旧网站的验证码。

优点：部署简单，识别速度快。

缺点：对变形、粘连的验证码几乎无效，准确率可能低于30%。

使用提示：一定要先做好预处理，还可以尝试通过pytesseract的config参数调整页面分割模式，比如--psm 7表示单行文本，有时能带来意外提升。

方案B：专用识别库（性价比之王）

代表工具：ddddocr，应对初、中级验证码的首选。

核心优势：内置训练好的模型，对数字、字母（大小写）、简单中文验证码识别效果出色，而且库体积轻量，无需GPU。本质是基于大量验证码数据预训练的CNN（卷积神经网络）模型，开箱即用。

优点：准确率高（针对目标类型可达90%+），速度和资源占用平衡得好，上手成本极低。

方案C：定制化深度学习模型（终极方案，但成本高）

代表架构：CNN（如ResNet）、CRNN等，需自行收集数据、标注、训练。

适用场景：字体独特、扭曲严重、干扰极强，且样式长期稳定的验证码，值得投入成本定制。

核心流程：

1. 数据收集：利用代理IP池低频率、长时间收集数千到数万张目标验证码图片；

2. 数据标注：可借助打码平台接口或半自动化工具生成初版标注，再人工校验；

3. 模型训练：用TensorFlow或PyTorch搭建训练模型，初期可直接用CNN做分类；

4. 部署集成：将训练好的模型封装成API，或直接集成到爬虫项目中。

第四步：构建稳健的自动化处理流程

除了识别外，还需要搭建一个闭环的自动化流程。

import requests
import ddddocr
import cv2
from your_ip_pool_manager import get_proxy, mark_proxy_temp_disabled  # 需对接自身IP池管理模块

# 初始化OCR和预处理函数
ocr = ddddocr.DdddOcr(show_ad=False)

def preprocess_captcha(image_data):
    gray = cv2.cvtColor(image_data, cv2.COLOR_BGR2GRAY)
    binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                   cv2.THRESH_BINARY_INV, 11, 2)
    kernel = np.ones((1, 1), np.uint8)
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
    return cleaned

def solve_and_request(url, captcha_url_parser, retry=3):
    for attempt in range(retry):
        # 1. 获取新鲜代理IP
        proxy = get_proxy(type="http")
        if not proxy:
            print("未获取到可用代理，重试...")
            continue
        
        # 2. 发起请求，获取含验证码的页面（或触发验证码）
        session = requests.Session()
        session.proxies = {"http": proxy, "https": proxy}
        try:
            initial_resp = session.get(url, timeout=10)
            initial_resp.raise_for_status()  # 抛出HTTP错误
        except requests.exceptions.RequestException as e:
            print(f"请求失败：{e}，标记IP暂不可用")
            mark_proxy_temp_disabled(proxy)
            continue
        
        # 3. 解析页面，提取验证码图片URL（需根据目标网站定制解析逻辑）
        image_url = captcha_url_parser(initial_resp.text)
        if not image_url:
            print("未触发验证码，请求成功")
            return initial_resp  # 未触发验证码，直接返回结果
            
        # 4. 下载并识别验证码
        try:
            img_resp = session.get(image_url, timeout=10)
            img_resp.raise_for_status()
            # 转换为OpenCV可处理的格式
            img_array = np.asarray(bytearray(img_resp.content), dtype=np.uint8)
            raw_image = cv2.imdecode(img_array, cv2.IMREAD_COLOR)
            processed_image = preprocess_captcha(raw_image)
            captcha_code = ocr.classification(processed_image)
        except Exception as e:
            print(f"验证码处理失败：{e}")
            mark_proxy_temp_disabled(proxy)
            continue
        
        # 5. 构造表单数据，提交验证码
        post_data = {
            "username": "your_user",
            "password": "your_pass",
            "captcha": captcha_code
        }
        try:
            final_resp = session.post(url, data=post_data, timeout=10)
            final_resp.raise_for_status()
        except requests.exceptions.RequestException as e:
            print(f"提交验证码失败：{e}")
            mark_proxy_temp_disabled(proxy)
            continue
        
        # 6. 验证请求是否成功
        if "登录成功" in final_resp.text or final_resp.status_code == 200:
            print(f"第{attempt+1}次尝试成功，使用代理：{proxy}，识别码：{captcha_code}")
            return final_resp
        else:
            print(f"第{attempt+1}次尝试失败，识别码可能错误，更换IP重试...")
            mark_proxy_temp_disabled(proxy)
            continue
            
    print(f"重试{retry}次均失败，建议人工干预或升级识别方案")
    return None

需要注意的是：

1.代理IP跟验证码协同，一旦识别失败，就得更换新的IP以及新的验证码图片再去尝试，要是用同一个IP反复提交错误答案，只会加快IP被封禁的速度。

2.进行结果验证，必须得有判断提交成功与否的逻辑，像检查返回页的内容，或者检查状态码之类。

3.当连续失败达到N次之后，需要把相关任务转到“待处理队列”，触发人工处理，避免业务停滞。

应对初级图形验证码时，最重要的是“综合调理”：要先仔细观察验证码的特征，再探寻网络请求绕过的可能性，检查自身流程；同时要保证IP池处于稳定健康的状态、访问节奏尽可能地贴近真实人类的行为模式，最后用“预处理+ddddocr”直击要害。