在自动化脚本开发或者数据采集场景中，复杂验证码往往是绕不开的障碍，不少开发者会尝试用Python搭配OCR技术来识别这类验证码，下面我们就详细讲解具体的实现方法。
破解复杂验证码的整体思路
复杂验证码通常包含干扰线、噪点、字符变形、字符粘连等特征，直接识别的准确率极低，因此整体流程需要分为图像预处理和OCR识别两个核心环节。首先通过图像预处理消除干扰、优化字符形态，再调用OCR引擎识别处理后的图像内容，最后根据验证码规则对识别结果做校验修正。
环境准备
实现这个功能需要安装以下依赖库和工具：
- Python 3.8及以上版本
- 图像处理库Pillow：用于完成各类图像预处理操作
- OpenCV库：提供更丰富的图像去噪、轮廓检测能力
- Tesseract OCR引擎：谷歌开源的OCR识别工具，支持多语言识别
- pytesseract库：Python调用Tesseract的接口封装
安装依赖库的命令如下：
# 安装Python依赖库 pip install pillow opencv-python pytesseract
Tesseract引擎需要单独下载安装，安装完成后需要配置环境变量，或者在代码中指定引擎路径。
图像预处理关键步骤
1. 灰度化
彩色图像包含大量冗余颜色信息，会增加识别难度，首先需要将图像转为灰度图，减少数据维度。
from PIL import Image
import cv2
def gray_image(image_path):
# 使用Pillow打开图像并转为灰度
img = Image.open(image_path)
gray_img = img.convert('L')
# 也可以转为OpenCV格式处理
cv_img = cv2.imread(image_path)
gray_cv = cv2.cvtColor(cv_img, cv2.COLOR_BGR2GRAY)
return gray_img, gray_cv2. 二值化
二值化可以将图像中的字符和背景完全分离，把像素点转为纯黑或纯白，进一步提升字符清晰度。
def binary_image(gray_cv, threshold=127):
# 固定阈值二值化，大于阈值的设为255（白），小于的设为0（黑）
_, binary = cv2.threshold(gray_cv, threshold, 255, cv2.THRESH_BINARY)
# 如果背景是深色字符是浅色，可以反转阈值
# _, binary = cv2.threshold(gray_cv, threshold, 255, cv2.THRESH_BINARY_INV)
return binary3. 去噪和去除干扰线
复杂验证码通常带有噪点和干扰线，可以通过形态学操作或者滤波算法去除。
def denoise_image(binary_img):
# 使用中值滤波去除椒盐噪点
denoised = cv2.medianBlur(binary_img, 3)
# 形态学开操作去除细小干扰
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
opened = cv2.morphologyEx(denoised, cv2.MORPH_OPEN, kernel)
return opened4. 字符分割
如果验证码字符存在粘连，需要分割为单个字符再识别，准确率会更高。可以通过轮廓检测找到每个字符的边界框。
def split_chars(processed_img):
# 查找轮廓
contours, _ = cv2.findContours(processed_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
char_boxes = []
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
# 过滤掉面积过小的干扰轮廓
if w * h > 50:
char_boxes.append((x, y, w, h))
# 按照x坐标排序，保证字符顺序正确
char_boxes.sort(key=lambda box: box[0])
return char_boxesTesseract OCR识别实现
预处理完成后就可以调用Tesseract进行识别，需要提前设置好识别模式，对于纯数字、纯字母或者混合验证码可以配置对应的识别参数。
import pytesseract
# 如果Tesseract没有配置环境变量，需要指定安装路径
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def ocr_recognize(processed_img, char_boxes=None):
if char_boxes:
# 分割后单个字符识别
result = []
for x, y, w, h in char_boxes:
char_img = processed_img[y:y+h, x:x+w]
# 设置识别模式为单个字符，仅识别字母和数字
text = pytesseract.image_to_string(
char_img,
config='--psm 10 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'
)
result.append(text.strip())
return ''.join(result)
else:
# 整张图直接识别
text = pytesseract.image_to_string(
processed_img,
config='--psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'
)
return text.strip()完整流程示例
把上述步骤组合起来，就可以完成一次完整的验证码识别尝试：
def crack_captcha(image_path):
# 1. 读取并灰度化
gray_pil, gray_cv = gray_image(image_path)
# 2. 二值化
binary = binary_image(gray_cv, threshold=130)
# 3. 去噪
denoised = denoise_image(binary)
# 4. 字符分割
char_boxes = split_chars(denoised)
# 5. OCR识别
result = ocr_recognize(denoised, char_boxes if len(char_boxes) == 4 else None)
return result
if __name__ == '__main__':
captcha_path = 'test_captcha.png'
captcha_text = crack_captcha(captcha_path)
print(f'识别结果：{captcha_text}')注意事项
首先需要明确，仅可以对自己拥有权限的系统、测试环境的验证码做识别尝试，严禁用于破解他人系统的安全验证，避免触犯法律风险。其次，这类方法仅适用于复杂度较低的验证码，对于加入了扭曲、重叠、动态变化等强干扰的验证码，识别准确率会大幅下降，此时可能需要结合深度学习模型训练才能达到较好的识别效果。另外，Tesseract的识别效果可以通过训练自定义字库进一步提升，针对特定类型的验证码训练后准确率会有明显上涨。