告别手动输入！用Python的ddddocr库5分钟搞定网站验证码自动识别

5分钟实战：用Python的ddddocr库实现验证码自动化识别

验证码识别一直是自动化测试和数据采集中的痛点。传统方法要么依赖第三方API（有调用限制和费用问题），要么需要手动标注大量样本训练模型（时间成本高）。而ddddocr这个基于深度学习的OCR库，凭借其开箱即用的特性和高准确率，正在成为开发者的新宠。

1. 为什么选择ddddocr？

在自动化流程中遇到验证码时，通常有几种解决方案：

• 人工识别：效率低下，无法规模化
• 传统OCR库：如Tesseract，对验证码效果差
• 商业API：如百度OCR，有调用次数限制
• 自研模型：需要标注数据和训练资源

ddddocr的优势在于：

提示：ddddocr特别适合中文和数字混合的验证码，对扭曲、干扰线有很好的鲁棒性。

2. 快速上手ddddocr

2.1 环境准备

首先安装库：

pip install ddddocr

如果需要国内镜像：

pip install ddddocr -i https://pypi.tuna.tsinghua.edu.cn/simple/

2.2 基础识别示例

创建一个简单的识别脚本：

import ddddocr def recognize_captcha(image_path): ocr = ddddocr.DdddOcr() with open(image_path, 'rb') as f: img_bytes = f.read() return ocr.classification(img_bytes) # 使用示例 result = recognize_captcha('captcha.png') print(f"识别结果: {result}")

这个基础版本已经能处理大多数简单验证码。实际项目中，你可能需要：

1. 添加日志记录识别过程
2. 实现错误重试机制
3. 对结果进行后处理（如去除空格）

3. 集成到自动化流程

3.1 结合Selenium实现自动登录

from selenium import webdriver import time import ddddocr def auto_login(url, username, password): driver = webdriver.Chrome() driver.get(url) # 处理验证码 captcha_element = driver.find_element('id', 'captcha-img') captcha_element.screenshot('temp_captcha.png') ocr = ddddocr.DdddOcr() with open('temp_captcha.png', 'rb') as f: captcha_text = ocr.classification(f.read()) # 填写表单 driver.find_element('id', 'username').send_keys(username) driver.find_element('id', 'password').send_keys(password) driver.find_element('id', 'captcha').send_keys(captcha_text) driver.find_element('id', 'submit-btn').click() time.sleep(2) # 等待登录完成 return driver

3.2 异常处理与重试机制

验证码识别不可能100%准确，需要完善的错误处理：

def robust_recognize(image_path, retry=3): ocr = ddddocr.DdddOcr() for attempt in range(retry): try: with open(image_path, 'rb') as f: return ocr.classification(f.read()) except Exception as e: print(f"识别失败，重试 {attempt + 1}/{retry}") time.sleep(1) raise Exception("验证码识别失败")

4. 高级技巧与优化

4.1 性能优化

对于高频使用的场景：

# 全局维护一个OCR实例，避免重复初始化 global_ocr = ddddocr.DdddOcr() def fast_recognize(image_bytes): return global_ocr.classification(image_bytes)

4.2 预处理提升准确率

有时简单的预处理能显著提高识别率：

from PIL import Image import numpy as np def preprocess_image(image_path): img = Image.open(image_path) # 转换为灰度图 img = img.convert('L') # 二值化处理 img = img.point(lambda x: 0 if x < 128 else 255) return np.array(img) # 使用预处理后的图像 processed_img = preprocess_image('captcha.png') result = global_ocr.classification(processed_img.tobytes())

4.3 处理特殊验证码类型

对于滑块验证码：

def handle_slide_captcha(driver): # 获取背景图和滑块图 bg_element = driver.find_element('xpath', '//div[@class="bg-img"]') slide_element = driver.find_element('xpath', '//div[@class="slide-img"]') bg_element.screenshot('bg.png') slide_element.screenshot('slide.png') # 使用ddddocr计算滑块位置 det = ddddocr.DdddOcr(det=True) with open('bg.png', 'rb') as f: bg_bytes = f.read() with open('slide.png', 'rb') as f: slide_bytes = f.read() res = det.slide_match(slide_bytes, bg_bytes) return res['target'][0] # 返回滑块需要移动的距离

5. 实际项目中的经验分享

在电商数据采集项目中，我们遇到了各种验证码：

• 数字字母混合：ddddocr准确率约95%
• 中文验证码：准确率约85-90%
• 计算题验证码：需要额外逻辑处理"="和运算符

一个实用的技巧是建立验证码样本库，定期测试识别率：

import os from collections import defaultdict def test_accuracy(sample_dir): ocr = ddddocr.DdddOcr() stats = defaultdict(int) for filename in os.listdir(sample_dir): if not filename.endswith('.png'): continue expected = filename.split('.')[0] # 假设文件名就是正确结果 with open(os.path.join(sample_dir, filename), 'rb') as f: predicted = ocr.classification(f.read()) stats['total'] += 1 if predicted == expected: stats['correct'] += 1 else: print(f"错误样本: {filename}, 识别为: {predicted}") accuracy = stats['correct'] / stats['total'] * 100 print(f"准确率: {accuracy:.2f}% ({stats['correct']}/{stats['total']})")

对于特别复杂的验证码，可以结合多种方法：

1. 先用ddddocr尝试
2. 失败后尝试Tesseract（不同引擎可能互补）
3. 最后考虑人工复核

在最近的金融数据采集项目中，这套方案将验证码处理时间从平均15秒/个缩短到2秒/个，准确率从60%提升到92%。