news 2026/10/31 16:31:32

Python 识别携程中文验证码(95%正确率)并自动登陆携程+图灵图像验证码识别平台

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
Python 识别携程中文验证码(95%正确率)并自动登陆携程+图灵图像验证码识别平台

这两天有一个业务需求,需要登陆不同的携程账号获取订单信息,但是由于携程有验证码检测机制,而且是个中文验证码比较难识别,试了几家人工打码平台,要么贵,要么延时高,要么没办法24小时运行。最后总算让我找到一个可以通过机器识别出来的API接口,准确率超级高而且延迟只有0.03s左右。(不算上传图片的时间)

首先看一下携程验证码长啥样。。。

携程验证码分为小图和大图部分,小图部分如下:

大图部分的样子如下:

原理是要先识别小图的文字,然后点击到大图对应文字的正确位置。

这里借助了图灵验证码识别平台,不是人工打码的,所以识别很快,准确率也挺高:

在线图片验证码识别平台-图像验证码识别打码平台-图片验证码打码平台-图灵

官网网址:http://fdyscloud.com.cn

进入图灵验证码识别平台,点击中文类型:

可以看到图灵识别平台提供的几个中文识别模型。我们这里需要用到的就是 中文通用类型 和 图片识别类型9。分别点进去,会告诉你对应的模型ID和接口的调用方式。

我们也可以直接在网站上先上传图片测试一下该模型的识别效果,如下图:

可以看到效果是很好的,所有的字和位置都识别得相当准确!牛逼!

废话不多说,直接发调用的Python代码吧,其实网站上也写得很详细了。

小图部分识别:

import base64 import json import requests # 复制以下代码,只需填入自己的账号密码、待识别的图片路径即可。 # 关于ID:选做识别的模型ID,会自动生成,无需修改。 def b64_api(username, password, img_path, ID): with open(img_path, 'rb') as f: b64_data = base64.b64encode(f.read()) b64 = b64_data.decode() data = {"username": username, "password": password, "ID": ID, "b64": b64} data_json = json.dumps(data) result = json.loads(requests.post("http://www.tulingtech.xyz/tuling/predict", data=data_json).text) return result if __name__ == "__main__": img_path = "C:/Users/Administrator/Desktop/file.jpg" result = b64_api(username="你的账号", password="你的密码", img_path=img_path, ID="82927344") print(result)

大图部分识别:

import base64 import json import requests # 复制以下代码,只需填入自己的账号密码、待识别的图片路径即可。 # 关于ID:选做识别的模型ID,会自动生成,无需修改。 def b64_api(username, password, img_path, ID): with open(img_path, 'rb') as f: b64_data = base64.b64encode(f.read()) b64 = b64_data.decode() data = {"username": username, "password": password, "ID": ID, "b64": b64} data_json = json.dumps(data) result = json.loads(requests.post("http://www.tulingtech.xyz/tuling/predict", data=data_json).text) return result if __name__ == "__main__": img_path = "C:/Users/Administrator/Desktop/file.jpg" result = b64_api(username="你的账号", password="你的密码", img_path=img_path, ID="09322322") print(result)

两者​除了post data里面的模型ID值不一样,其他部分都是一样的。

至此彻底解决了携程中文点选验证码的识别问题!!!

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/10/22 11:58:17

2026年3月建筑AI实测白皮书:10款工具,EVAI第一

2026年3月建筑AI实测白皮书:10款工具,EVAI第一2026年,建筑设计行业进入“方案交付按小时计价”的新阶段。根据公开行业研究口径与本次调研汇总,国内与建筑设计直接相关的AI软件与服务市场规模已接近380亿元,近三年复合…

作者头像 李华
网站建设 2026/10/28 10:55:15

长沙看心理医生指南:真实案例分享与医院推荐

行业痛点分析当前长沙心理服务领域面临多重技术与资源挑战。数据显示,长沙市18岁以上人群心理健康问题检出率达22.3%(测试显示),其中焦虑障碍与抑郁障碍占比超过50%。然而,专业心理诊疗资源供给不足问题突出&#xff0…

作者头像 李华
网站建设 2026/10/24 18:40:26

论文“瘦身”新革命:书匠策AI如何破解查重与AIGC双重困局?

在学术江湖里,论文查重和AIGC(人工智能生成内容)检测就像两把“达摩克利斯之剑”,悬在每个学者的头顶。查重率超标,轻则被导师“打回重造”,重则影响毕业或职称评定;AIGC痕迹过重,则…

作者头像 李华
网站建设 2026/10/22 7:05:02

Spring AOP核心机制:代理与拦截揭秘

在 Spring 开发中,我们经常使用 Transactional、日志切面等功能,但很多人并不清楚它们是如何工作的。 本质上,这些能力都建立在 Spring AOP 之上。本文面向准备后端校招面试的同学,聚焦以下核心问题:AOP 的设计初衷是什…

作者头像 李华
网站建设 2026/10/26 7:30:52

【已解决】ollama导入微调后的gguf模型后胡说八道

【背景】我使用llamafactory这个框架LoRA了微调了Qwen3-8B这个纯文本的大模型,并将LoRA权重和原始的模型权重合并得到最终的模型。然后使用llama.cpp将合并后的权重转换为gguf格式,使用llama.cpp部署这个转换后的gguf模型使用没有问题,根据模…

作者头像 李华