Python爬虫OCR识别图文技巧

本文深入解析了如何用轻量高效的OCR方案（Tesseract+Pytesseract）精准识别简单数字字母组合验证码，强调图像预处理（灰度转换、智能二值化、连通域裁剪、去干扰线）和会话管理（requests.Session复用、Cookie路径匹配、隐藏字段提取）两大关键环节，直击95%以上识别率背后的实操细节与常见陷阱——从本地调试到服务器部署的环境兼容性问题（语言包缺失、OpenCV版本差异、alpine镜像glibc报错），再到“看似识别成功却登录失败”的隐性故障，手把手教你绕过过度工程化陷阱，用最少代码解决最实际的爬虫验证难题。

验证码太简单，直接用 tesseract 就能搞定

多数网站用的数字+字母组合验证码（比如 2aB7），没有扭曲、无噪点、背景干净，OCR 识别率能到 95% 以上。这时候硬上深度学习模型是杀鸡用牛刀，tesseract 足够快又轻量。

实操建议：

• 先用 requests 下载验证码图片到本地，或用 BytesIO 直接喂给 PIL
• 图像预处理很关键：转灰度 → 二值化（threshold=128 起手试）→ 去孤立噪点（cv2.medianBlur 或简单形态学操作）
• 调用 pytesseract.image_to_string() 时加参数：config='--psm 8 -c tessedit_char_whitelist=0-9a-zA-Z'，限定模式和字符集，避免识别出空格或符号
• 别忽略返回空字符串的情况——这往往不是模型失败，而是图片没裁干净或二值化阈值不对

遇到带干扰线的验证码，先切掉上下边框再二值化

很多“简单”验证码其实加了 1–2 根细线或浅色点阵，tesseract 会误判为字符笔画。不推荐一上来就上 CNN 或打标训练，优先做针对性图像裁剪和增强。

常见错误现象：识别结果多出乱码（如 2aB7| 里的 |），或长度不对（返回 5 位而不是 4 位）。

实操建议：

• 用 cv2.findContours 找出最大连通区域，外接矩形裁出主体文字区，扔掉边缘干扰
• 二值化前先用 cv2.GaussianBlur 模糊整图，再用 cv2.threshold，比直接 OTSU 更稳
• 如果验证码固定宽高（比如 120×40），可提前按像素坐标硬裁：img[8:32, 10:110]，跳过检测逻辑
• 别在原始 PNG 上直接跑 OCR——PNG 的 alpha 通道常导致灰度转换异常，先 convert('RGB') 再转 L

requests + pytesseract 流程中 Cookie 和 Session 容易断

验证码不是孤立存在的，它和登录接口共享 session。图片 URL 看似静态，实际背后绑着 session ID 或时间戳参数，换一个请求对象就失效。

使用场景：你成功识别出 2aB7，但 POST 登录时提示“验证码错误”或“请求非法”。

实操建议：

• 全程复用同一个 requests.Session() 实例：先 get 验证码页（触发 set-cookie），再 get 验证码图 URL，最后 post 表单
• 检查响应头里有没有 Set-Cookie，特别是含 path=/verify 这类路径限制的 cookie，确保后续请求 path 匹配
• 有些站点会在 HTML 里藏隐藏字段（如 <input type="hidden" name="token" value="abc123">），这个必须和验证码一起提交，漏掉就白识别了
• 别用浏览器开发者工具里复制的“完整 curl”，里面可能含已过期的 cookie 字符串，要动态取

本地跑通了，部署到服务器却识别率暴跌

最常见原因是服务器没装 tesseract 语言数据或字体缺失，其次是 OpenCV 版本差异导致图像处理结果不一致。

性能与兼容性影响：

• Ubuntu 上只装 tesseract-ocr 包不够，还得装 tesseract-ocr-eng（英文包），否则 image_to_string 默认用未知语言，结果全空
• Docker 镜像里如果用 alpine，pytesseract 可能因缺少 glibc 报错，改用 debian:slim 更省心
• Mac 本地用 brew install tesseract 装的是最新版，而 CentOS 7 默认仓库里是 3.02，对小写字母 l 和数字 1 区分差，识别前加 --oem 1 切 LSTM 引擎
• 别在识别函数里写死 lang='eng'，先用 pytesseract.get_languages() 检查可用语言，避免上线后静默失败

真正卡住人的，往往是图像预处理和 session 同步这两个环节——它们不报错，但会让识别结果看起来“随机失败”。调的时候建议把中间图（下载原图、裁剪后、二值化后）全存下来，一眼就能定位是哪步偏了。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~