验证码识别需分阶段协作处理：先获取图片或接口数据，再调用OCR、行为模拟或第三方服务识别，最后反馈结果；不同验证码类型对应不同策略，关键在于将其作为独立中间变量而非流程阻塞点。
验证码识别不是“全自动”，关键在分工协作
爬虫遇到验证码，不能指望一行代码就解决。真实场景中，自动识别本质是“分阶段处理”：先获取验证码图片或接口数据，再调用识别能力（OCR、模型、第三方服务），最后把结果填入表单或请求参数。核心思路是——把验证码当作一个需要单独提取和反馈的中间变量，而不是阻塞主流程的障碍。
常见验证码类型决定识别策略
不同验证码难度差异极大，选错方法会白费功夫：
- 数字+字母（无干扰线、清晰字体）：Tesseract OCR 基本够用，配合 Pillow 预处理（灰度、二值化、去噪）效果稳定；
- 滑动拼图、点选文字、图标分类：这类行为型验证码必须模拟人操作，需结合 Selenium 或 Playwright 截图+坐标计算，或调用专门的识别 API（如超级鹰、打码兔）；
- 极验（Geetest）、腾讯云验证码（TCAPTCHA）：有完整 JS 加密逻辑和校验流程，建议直接接入其官方 SDK 或逆向分析 token 生成规则，不推荐硬刚图像识别。
自己搭识别 pipeline 的实用步骤
以最常用的简单图形验证码为例，用 Python 快速跑通闭环：
wechat-article-extraction-mp-weixin-qq-com news-webpage-cleaning blog-post-parsing metadata-extraction-title-author-date multiple-output-formats-markdown-json-plain-text batch-processing-support
下载
基于三引擎设计，从微信文章、新闻和博客网页提取干净内容，支持标题作者日期元数据，多格式和批量处理。
- 用 requests 下载验证码图片（注意保存 Cookie，确保与登录会话一致）；
- 用 Pillow 裁剪、转灰度、阈值二值化，让字符更突出；
- 调用 pytesseract.image_to_string()，传入 config='--psm 8 --oem 3 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz' 限定识别范围；
- 对识别结果做简单清洗（去空格、去特殊符号），再 POST 提交到目标接口。
别硬扛，该用服务时就用服务
商用项目或高并发场景下，自研识别准确率低、维护成本高。推荐几种靠谱方案：
立即学习“Python免费学习笔记（深入）”；
- 接入打码平台（如超级鹰、云打码），它们提供 Python SDK，上传图片→返回文字，3 秒内完成，按次计费；
- 用阿里云/腾讯云的 OCR API，识别精度高，支持多语言和扭曲文本，适合预算充足、追求稳定的团队；
- 训练轻量 CNN 模型（如用 TensorFlow Lite）识别固定站点的验证码，仅适用于样式长期不变、字符集固定的内部系统。
基本上就这些。验证码不是拦路虎，而是信号——提醒你该把请求链路拆得更细、把验证环节单独拎出来处理。
