Tesseract识别率低主因是输入图片质量差，需严格预处理：灰度→二值化→去噪→可选腐蚀/膨胀；环境缺失（如Linux缺libglib2.0-0、tesseract-ocr包）和headless下阈值异常亦致失效。
为什么 tesseract 直接跑图片识别率低得离谱
不是模型不行，是原始图片根本没到能识别的程度。tesseract 对输入非常挑剔：必须是高对比度、无噪点、字符不粘连、无倾斜的二值图。直接丢一张带背景、阴影、干扰线的验证码进去，它连字母和数字都分不清。
- 常见错误现象：
pytesseract.image_to_string(img)返回空字符串或乱码（比如"O0lI1"混用） - 真实使用场景：登录页、表单提交前的简单英数验证码（4–6位，无汉字、无旋转）
- 关键预处理步骤必须做：灰度 → 二值化（
cv2.THRESH_OTSU或手动阈值）→ 去噪（cv2.medianBlur）→ 可选腐蚀/膨胀修复断笔 - 性能影响：加预处理会多耗 50–200ms/张，但识别率从
ddddocr 比 tesseract 强在哪，又该什么时候换
ddddocr 是专为验证码训的轻量模型，自带端到端预处理+识别流程，对扭曲、轻微干扰、低分辨率更鲁棒。但它不是万能的——训练数据决定了它的边界。
- 适用场景：纯英文+数字、无标点、字体变化不大（如常见 web 表单验证码）；识别速度比
tesseract+ OpenCV 预处理快 2–3 倍 - 容易踩的坑：
ddddocr.DdddOcr()初始化一次就够了，反复 new 实例会拖慢吞吐；默认启用 GPU（如果装了onnxruntime-gpu），但没 GPU 时会静默降级，建议显式传det=False, use_gpu=False - 参数差异：不支持自定义字符集；若验证码含
0/O/l/1易混淆，可配合后处理规则（比如把识别结果中的O全替成0） - 兼容性注意：
ddddocr0.4+ 版本要求 Python ≥ 3.8，Windows 下需提前装好Microsoft Visual C++ 14.0
怎么绕过「图片加载失败」或「识别返回空」这类基础报错
很多问题根本不是模型的事，是输入没校验、路径写错、格式不支持，或者图片压根就是空白/404。
- 常见错误现象：
cv2.imread(path)返回None；ocr.classification(img)报ValueError: too many values to unpack；pytesseract报TesseractNotFoundError - 实操建议：先用
assert img is not None and img.size > 0检查图像是否加载成功；PNG/JPEG 都行，但 WebP 要额外装opencv-python-headless支持；tesseract路径必须用pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"显式指定 - 调试技巧：把预处理后的图用
cv2.imwrite("debug.png", bin_img)保存下来，肉眼确认是不是真的“看起来能认”
为什么本地跑通了，一上服务器就失效
不是代码有问题，是环境缺东西——尤其是字体、依赖库、图像后端这些隐形依赖。
立即学习“Python免费学习笔记（深入）”；
- Linux 服务器常见缺失：
libglib2.0-0、libsm6、libxext6（cv2图像操作需要）；tesseract-ocr包本身（Ubuntu/Debian 要apt install tesseract-ocr，不是只 pippytesseract） - 容器部署注意：
ddddocr的 ONNX 模型文件默认从包内加载，但如果用了 PyInstaller 打包或删了 site-packages，会找不到model.dnn；建议用ddddocr --show-versions查看模型路径并手动拷贝 - 最易忽略的一点：某些云服务器禁用了图形界面相关系统调用，
cv2.imshow会崩，但更隐蔽的是cv2.threshold在 headless 环境下可能行为异常——一律用cv2.THRESH_BINARY + cv2.THRESH_OTSU组合，别用自适应阈值
