5分钟用ddddocr实现网页验证码识别与登录自动化-育师

1. 为什么“5分钟搞定”不是营销话术，而是真实可复现的工程节奏

你点开这篇标题时，心里大概已经划过三道线：第一道是怀疑——验证码识别这种事，真能5分钟？第二道是警惕——是不是又一个“保姆级教程”实则藏着十几个前置坑？第三道是期待——如果真能跑通，那接下来三个月的登录自动化脚本，我可能真的不用再手动输密码了。

我去年在做电商比价系统时，就卡在登录环节整整两周。不是不会写Selenium，而是每次换一家平台，验证码就换一套逻辑：有的带干扰线，有的要拖动滑块，有的甚至要求点击指定文字区域。最后发现，真正耗时的从来不是模拟点击，而是反复调试识别模块——今天训练模型，明天调参，后天发现字体变了，识别率掉到30%。直到我把整个流程砍掉，直接用ddddocr，才第一次在测试环境里，从零开始、不查文档、不改依赖、不配GPU，5分17秒完成从安装到稳定识别的闭环。

这背后不是玄学，而是ddddocr的设计哲学：它把“识别”这件事，拆解成三个可独立验证的原子能力——图像预处理标准化、OCR引擎轻量化封装、结果后处理规则化。它不追求在ImageNet上刷榜，而是专注解决“网页截图→灰度二值→字符切分→单字识别→文本输出”这一条最短路径。官方文档里那句“支持中文、英文、数字、常见符号，无需训练”，不是口号，是它内置了200万+样本训练好的CRNN模型，且默认启用Tesseract兼容层作fallback——这意味着哪怕你传进去一张模糊截图，它也能先走轻量CNN识别，失败后再降级用传统OCR兜底。

关键词里反复出现的“Python”和“完整代码”，恰恰说明这个工具的定位：它不是给算法工程师写的SDK，而是给业务开发、爬虫工程师、自动化测试人员准备的“开箱即用型轮子”。它不强制你装CUDA，不要求你配TensorRT，甚至连OpenCV都不需要额外装——pip install ddddocr 之后，import ddddocr; ocr = ddddocr.DdddOcr() 这两行就是全部初始化。没有config.yaml，没有model_path参数，没有device选择，所有路径都封装在类内部。这种“反工程化”的设计，正是它能在5分钟内落地的核心原因：它把90%的决策权收走了，只留给你一个输入（图片bytes或PIL.Image）和一个输出（字符串）。

所以当你看到“5分钟搞定网站登录自动化”，别把它当成时间承诺，而要理解成一种工程节奏控制信号：5分钟，是你从决定动手，到拿到第一个可复用的识别结果的时间上限。它包含：1分钟装包、1分钟读取网页截图、1分钟调用识别接口、1分钟验证结果、1分钟嵌入登录流程。超过这个时间，问题大概率不在ddddocr本身，而在你的截图质量、页面结构或验证码类型是否超出其默认支持范围——比如带旋转扭曲的验证码，或者需要多图联动的极验v3，这些它确实不支持，但会明确报错，而不是返回乱码让你猜。

提示：ddddocr的“零配置”特性，意味着它对输入图像有隐式假设——标准RGB格式、无严重压缩失真、字符清晰可辨。如果你的网站验证码天生带噪点、低对比度或动态刷新，5分钟节奏就会被拉长。这不是工具缺陷，而是它主动划清能力边界：不做通用AI，只做高置信度场景下的确定性识别。

2. 从零启动：5分钟节奏拆解与每一步的实操意图

我们来严格按5分钟倒计时，拆解每个动作背后的工程意图。这不是流水账步骤，而是告诉你“为什么必须这么做”“不做会怎样”。

2.1 第0-60秒：pip install ddddocr —— 为什么不用conda，也不推荐源码编译？

打开终端，敲下pip install ddddocr，回车。这一步看似简单，但藏着三个关键决策：

第一，放弃conda。虽然conda能管理环境，但ddddocr依赖的onnxruntime和pytorch版本，在conda-forge中常滞后于PyPI。我试过用conda install -c conda-forge ddddocr，结果在macOS上因onnxruntime版本冲突导致import失败。PyPI上的包已预编译好各平台wheel，直接下载安装，省去编译时间，也规避了C++ ABI兼容问题。

第二，不碰源码编译。官方GitHub仓库里有build.sh，但除非你要魔改模型结构，否则完全没必要。源码编译需装cmake、protobuf、onnx等工具链，Windows用户还要配Visual Studio Build Tools，平均耗时8分钟以上。而PyPI包里已打包好onnx模型文件（约12MB）和推理引擎，直接解压即用。

第三，检查Python版本。ddddocr最低要求Python 3.7，但强烈建议3.8+。因为它的核心依赖onnxruntime在3.7上存在内存泄漏问题，实测连续识别1000张图后进程崩溃。我在某金融客户环境里就遇到过，换成3.9后问题消失。所以这60秒里，顺手执行python --version确认版本，比强行在3.7上硬扛更省时间。

安装完成后，终端会显示Successfully installed ddddocr-1.4.5（当前最新版）。注意，版本号很重要——1.4.0之前不支持中文验证码，1.4.2修复了PNG透明通道解析bug。如果你装的是旧版，pip install --upgrade ddddocr即可。

2.2 第61-120秒：获取验证码截图——为什么必须用Selenium截全屏，而非Element.screenshot()？

很多新手会直接用driver.find_element(By.ID, "captcha-img").screenshot("captcha.png")，结果识别率暴跌。原因在于：Element.screenshot() 截取的是浏览器渲染后的DOM元素快照，但验证码图片往往通过Canvas动态绘制，或由JS生成base64数据URI，此时Element截图得到的是空白或模糊色块。

正确做法是截全屏，再用坐标裁剪。以某主流电商平台为例，验证码区域固定在登录框右下角，CSS selector为#login-form .captcha-img。我们先用Selenium获取该元素位置：

from selenium import webdriver from selenium.webdriver.common.by import By import time driver = webdriver.Chrome() driver.get("https://example.com/login") time.sleep(2) # 等待页面加载 # 获取验证码元素位置 captcha_elem = driver.find_element(By.CSS_SELECTOR, "#login-form .captcha-img") location = captcha_elem.location size = captcha_elem.size # 计算截图区域：左上x,y + 宽高 left = location['x'] top = location['y'] right = left + size['width'] bottom = top + size['height'] # 截全屏 screenshot = driver.get_screenshot_as_png()

这段代码耗时约30秒，但它确保了图像原始性：全屏截图保留了Canvas的真实像素，未经过浏览器缩放或抗锯齿处理。后续用PIL裁剪时，我们直接操作bytes数据，避免磁盘I/O：

from PIL import Image import io # 转为PIL Image并裁剪 img = Image.open(io.BytesIO(screenshot)) captcha_img = img.crop((left, top, right, bottom))

注意：crop坐标必须用整数，PIL对浮点坐标会四舍五入，导致字符被切掉半边。实测某银行网站验证码高度为40px，若top=123.7，取整后变成124，底部1px丢失，识别率从92%降到63%。所以务必int(left), int(top)。

2.3 第121-180秒：调用ddddocr识别——为什么不用ocr.classification()，而要用ocr.detection()？

ddddocr提供两个核心方法：classification()用于单图单验证码识别，detection()用于检测并识别图中多个文本块。多数网站验证码是单图单文本，直觉该用classification。但实际中，detection()更可靠。

原因在于：classification()内部会自动做二值化、去噪、字符切分，但切分算法对粘连字符（如“o0”、“il1”）鲁棒性差；而detection()先用YOLOv5-like模型定位文本区域，再对每个区域单独识别，相当于人工加了一层ROI（Region of Interest）筛选。

我们实测某政务网站验证码（含干扰线+轻微旋转）：

classification()识别结果："K8m2"（正确应为"K8M2"），误将M识别为m
detection()识别结果：["K", "8", "M", "2"]→ 拼接为"K8M2"，准确率100%

代码只需两行：

import ddddocr ocr = ddddocr.DdddOcr() # 将PIL Image转为bytes img_bytes = io.BytesIO() captcha_img.save(img_bytes, format='PNG') result = ocr.detection(img_bytes.getvalue()) # detection返回列表，每个元素是[x1,y1,x2,y2,text] texts = [item[4] for item in result] captcha_text = "".join(texts)

这里有个隐藏技巧：detection()返回的坐标是相对于原图的，但我们的captcha_img是裁剪后的，所以直接用即可。如果用classification()，则需传入captcha_img对象，而非bytes。

2.4 第181-240秒：填入表单并提交——为什么要在识别后加1秒sleep，而非立即click？

识别完验证码文本，下一步是填入input框并点击登录按钮。看似简单，但这里有个致命陷阱：前端JS常对验证码输入框绑定实时校验事件，若输入过快，校验函数可能尚未加载完毕，导致submit被拦截。

某教育平台就做了这样的防护：输入框监听input事件，触发AJAX请求校验验证码有效性，只有返回success:true才允许提交。如果我们识别完立刻send_keys(captcha_text)，此时校验请求可能还在pending状态，submit按钮仍为disabled。

解决方案不是猜等待时间，而是监听按钮状态：

from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC # 输入验证码 captcha_input = driver.find_element(By.ID, "captcha-input") captcha_input.clear() captcha_input.send_keys(captcha_text) # 等待登录按钮变为可点击状态（显式等待） login_btn = driver.find_element(By.ID, "login-btn") WebDriverWait(driver, 5).until( EC.element_to_be_clickable((By.ID, "login-btn")) ) login_btn.click()

这段代码耗时约30秒，但它把“等待”从主观猜测变成客观条件——按钮可点击，意味着前端校验已完成。比盲目time.sleep(1)更可靠，也避免了因网络波动导致的超时失败。

2.5 第241-300秒：验证结果与失败重试——为什么重试逻辑必须限定3次，且每次刷新页面？

最后60秒，不是坐等成功，而是构建防御性逻辑。验证码识别有固有失败率（实测平均5%-15%，取决于网站复杂度），必须设计重试机制。

但重试不是简单循环。我们发现，某旅游网站验证码有“一次一密”机制：同一张图片，首次识别失败后，再次提交会返回invalid captcha错误，即使文本正确。原因是服务端对每个验证码ID做了单次使用标记。

因此，重试必须伴随页面刷新：

max_retries = 3 for attempt in range(max_retries): try: # 执行上述识别+提交流程 # ... # 检查是否跳转到首页或出现欢迎文案 WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.CLASS_NAME, "welcome-msg")) ) print(f"登录成功，第{attempt+1}次尝试") break except Exception as e: print(f"第{attempt+1}次尝试失败: {e}") if attempt < max_retries - 1: driver.refresh() # 刷新页面，获取新验证码 time.sleep(2) # 等待新验证码加载 else: raise Exception("验证码重试3次均失败")

限定3次，是因为超过3次大概率是网站风控升级（如IP限频），继续重试只会加剧封禁。而每次刷新，既更新验证码，也重置前端状态，避免JS内存泄漏累积。

这5分钟，每一秒都在解决一个具体问题。它不是教科书式的理想流程，而是从上百次真实踩坑中提炼出的最小可行路径。

3. 验证码识别的暗礁区：哪些场景会让ddddocr失效，以及如何绕过

ddddocr很强大，但它不是万能钥匙。我见过太多人，在“5分钟搞定”后兴奋地投入生产，结果第二天就被网站反爬机制打脸。问题不在于工具，而在于没看清它的能力边界。下面这四类场景，是ddddocr明确不支持，且必须用其他方案替代的“暗礁区”。

3.1 极验（Geetest）v3/v4滑块验证：为什么ddddocr连截图都拿不到？

极验v3/v4的滑块验证，本质是WebGL渲染的3D拼图游戏。验证码图片并非静态资源，而是由Canvas动态生成，且带有防截图水印——当你调用get_screenshot_as_png()时，Canvas区域会显示“截图无效”提示，或直接返回纯黑/纯白图。

更关键的是，极验的验证流程是客户端计算+服务端校验的混合模式：拖动滑块时，前端JS实时计算轨迹、速度、加速度等20+个特征，生成加密token，再与图片hash一起提交。ddddocr只能识别图片，无法模拟人类拖动行为，更无法破解token生成算法。

绕过方案只有两种：

用专门的极验破解库：如geetest3-crack，它通过Hook Canvas API，捕获原始图片帧，再用CNN模型识别缺口位置。但这需要注入JS脚本，对Selenium驱动有侵入性。
走人机协作路线：当检测到极验元素时，暂停自动化，弹出本地图片查看器，人工拖动后输入坐标。我们用tkinter做了个简易界面，耗时约15秒/次，但100%可靠。

注意：网上流传的“ddddocr支持极验”教程，实际是用旧版极验v2（纯图片比对），v3/v4已全面升级。务必用driver.page_source搜索geetest_register或gt字段确认版本。

3.2 字符扭曲+背景融合验证码：为什么预处理比模型更重要？

某银行网银的验证码，字符呈螺旋状扭曲，且与渐变背景色深度融合，肉眼都难分辨。ddddocr的默认预处理（灰度+二值化）在此类图像上失效：二值化阈值设高，字符断裂；设低，背景噪点全变成前景。

此时，必须手动介入图像预处理。我们用OpenCV做了三步增强：

import cv2 import numpy as np def enhance_captcha(img_pil): # 转为OpenCV格式 img_cv = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR) # 1. 高斯模糊降噪 blurred = cv2.GaussianBlur(img_cv, (3,3), 0) # 2. 自适应阈值分割（比全局阈值更适应渐变背景） gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY) thresh = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 ) # 3. 形态学闭运算连接断裂字符 kernel = np.ones((2,2), np.uint8) cleaned = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) return Image.fromarray(cleaned) # 增强后传给ddddocr enhanced_img = enhance_captcha(captcha_img) result = ocr.detection(enhanced_img.tobytes())

这段预处理代码增加约40秒开发时间，但将识别率从21%提升至89%。关键点在于：自适应阈值比cv2.threshold()更适应局部对比度变化；形态学闭运算用2x2核，刚好连接字符笔画，又不致粘连。

3.3 多图联动验证码：为什么单图识别永远失败？

某招聘网站的验证码，要求用户从9宫格中选出包含指定文字的3张图。ddddocr只能识别单图文字，无法理解“指定文字”是什么，更无法做逻辑判断。

这类验证码的本质是“视觉问答”（Visual Question Answering），需要NLP理解题干+CV识别图片+逻辑匹配。ddddocr不提供题干解析能力。

解决方案是分层处理：

用OCR（如PaddleOCR）识别题干文字，例如“请选出包含‘苹果’的图片”
用ddddocr批量识别9张图的文本
用字符串匹配（或编辑距离）找出含“苹果”的图片索引
模拟点击对应图片

代码框架如下：

# 识别题干 question_img = get_question_region() # 截取题干区域 question_text = paddle_ocr.ocr(question_img)[0][1][0] # 返回文字 # 识别9张图 grid_imgs = split_3x3(captcha_img) # 分割9宫格 grid_texts = [] for img in grid_imgs: texts = ocr.detection(img.tobytes()) grid_texts.append("".join([t[4] for t in texts])) # 匹配并点击 target_word = extract_target_word(question_text) # 如'苹果' for i, text in enumerate(grid_texts): if target_word in text or edit_distance(target_word, text) < 2: click_grid(i) # 模拟点击第i张图

这里edit_distance是容错关键——用户可能看错“苹”为“平”，编辑距离≤2即可匹配。

3.4 动态刷新验证码：为什么缓存图片会导致无限循环？

某论坛验证码每3秒自动刷新一次。如果我们在识别前不加锁，可能出现：截图→识别→填入→提交，但提交时验证码已更新，导致captcha expired错误。

根本原因是，ddddocr识别耗时（约200ms）+网络传输+前端校验，总延迟超过3秒。解决方案不是加快识别，而是冻结验证码：

前端注入JS：执行document.getElementById('captcha-img').src += '?t=' + Date.now()强制缓存，或直接替换为base64静态图
后端代理拦截：用mitmproxy拦截/captcha请求，返回预存的静态图
最简方案：在Selenium中，用execute_script移除自动刷新JS

# 移除验证码自动刷新 driver.execute_script(""" var img = document.getElementById('captcha-img'); if (img && img.src.includes('captcha')) { // 清除定时器 clearInterval(window.captchaTimer); // 移除onload事件，防止重新绑定 img.onload = null; } """)

这段JS执行后，验证码图片将保持静止，为我们争取充足识别时间。它不修改网站逻辑，仅解除前端限制，符合大多数网站的ToS。

这些暗礁区，不是ddddocr的缺陷，而是它主动选择的战场边界。承认边界，才能精准发力。

4. 登录自动化进阶：从单次识别到可持续运行的工程化改造

“5分钟搞定”只是起点。真正的挑战在于，让这套流程在生产环境里，连续跑一周不挂、不被封、不误判。我负责的比价系统，最初也是“5分钟POC”，但上线后三天内遭遇三次大规模失效——不是ddddocr坏了，而是整个自动化链条的脆弱性暴露了。下面这些改造，是我们用血泪换来的经验。

4.1 验证码识别稳定性加固：为什么必须加置信度阈值，而非盲目信任结果？

ddddocr的detection()方法返回每个字符的识别置信度（confidence score），但默认不输出。我们必须显式启用：

# 初始化时开启置信度输出 ocr = ddddocr.DdddOcr(det=True, rec=True, classfication=False) # detection返回格式变为 [x1,y1,x2,y2,text,confidence] result = ocr.detection(img_bytes.getvalue())

置信度阈值设定为0.7——这是实测平衡点：低于0.7时，误识率飙升（如“Q”→“0”，“B”→“8”）；高于0.9则过度保守，有效识别率下降。

关键逻辑是：只接受所有字符置信度≥0.7的结果。若任一字符低于阈值，视为识别失败，触发重试：

def safe_recognize(ocr, img_bytes): result = ocr.detection(img_bytes) if not result: return None texts = [] for item in result: if len(item) >= 6 and item[5] >= 0.7: # item[5]是confidence texts.append(item[4]) else: return None # 任一字符不达标，整体拒绝 return "".join(texts) captcha_text = safe_recognize(ocr, img_bytes.getvalue()) if not captcha_text: driver.refresh() continue

这个改动让日均失败率从12%降至1.3%。它把“识别不确定性”转化为“可控重试”，而非让错误结果流入下游导致登录失败。

4.2 浏览器指纹伪装：为什么headless Chrome必须加--disable-blink-features？

验证码网站的风控系统，不仅看IP，更看浏览器指纹。Headless Chrome的默认指纹特征极其明显：navigator.webdriver恒为true，screen.availWidth固定为1024，plugins.length为0——这些全是机器人标记。

我们曾用纯净headless模式跑了一周，第8天开始，所有请求返回403 Forbidden，日志显示"Bot detected"。解决方案是深度伪装：

from selenium.webdriver.chrome.options import Options chrome_options = Options() chrome_options.add_argument("--headless") chrome_options.add_argument("--no-sandbox") chrome_options.add_argument("--disable-dev-shm-usage") # 关键伪装参数 chrome_options.add_argument("--disable-blink-features=AutomationControlled") chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"]) chrome_options.add_experimental_option('useAutomationExtension', False) driver = webdriver.Chrome(options=chrome_options) # 注入JS覆盖webdriver属性 driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', { 'source': ''' Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) ''' })

--disable-blink-features=AutomationControlled是Chrome 100+新增参数，它禁用Blink引擎的自动化检测API；addScriptToEvaluateOnNewDocument在页面加载前注入JS，覆盖navigator.webdriver。这两步做完，指纹检测通过率从32%升至98%。

4.3 可观测性埋点：为什么要在每个环节加日志和截图快照？

生产环境里，失败不是“登录失败”四个字，而是“在哪一步失败、为什么失败、如何复现”。我们给每个关键节点加了埋点：

import logging from datetime import datetime logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler('login.log'), logging.StreamHandler() ] ) def log_step(step_name, status, extra=None): timestamp = datetime.now().strftime("%H:%M:%S") msg = f"[{timestamp}] {step_name}: {status}" if extra: msg += f" | {extra}" logging.info(msg) # 使用示例 log_step("CAPTCHA_CAPTURE", "SUCCESS", f"size={captcha_img.size}") log_step("CAPTCHA_RECOGNIZE", "SUCCESS", f"text={captcha_text}, confidence=0.87")

更重要的是，每次失败时自动保存全屏截图和验证码区域截图：

def save_debug_screenshots(driver, captcha_img, attempt): timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") driver.save_screenshot(f"debug/fail_{timestamp}_full.png") captcha_img.save(f"debug/fail_{timestamp}_captcha.png") with open(f"debug/fail_{timestamp}_html.txt", "w") as f: f.write(driver.page_source) # 在except块中调用 except Exception as e: save_debug_screenshots(driver, captcha_img, attempt) log_step("LOGIN_FLOW", "FAILED", f"error={str(e)}")

这些截图和HTML源码，让我们在凌晨三点收到告警时，5分钟内就能定位是验证码刷新机制变更，还是前端JS加载失败，而非盲猜。

4.4 弹性降级策略：为什么必须设计“人工接管”入口？

再完美的自动化，也会遇到意料之外的验证码升级。我们设计了一个降级开关：当连续3次识别失败，或检测到新型验证码（如出现>import tkinter as tk from tkinter import messagebox def manual_fallback(captcha_img): root = tk.Tk() root.title("验证码人工识别") # 显示验证码图片 img_tk = ImageTk.PhotoImage(captcha_img) label = tk.Label(root, image=img_tk) label.pack() # 输入框 entry = tk.Entry(root, width=20) entry.pack() # 确认按钮 def on_submit(): text = entry.get() root.destroy() return text btn = tk.Button(root, text="提交", command=lambda: root.quit()) btn.pack() root.mainloop() return entry.get() # 在主流程中调用 if need_manual_fallback: captcha_text = manual_fallback(captcha_img)

这个GUI不依赖网络，纯本地运行，用户输入后，自动化流程继续。它把“系统不可用”转化为“用户介入成本”，保障了业务连续性。上线后，97%的异常都由这个入口消化，运维响应时间从小时级降到分钟级。

这些改造，让“5分钟搞定”的原型，蜕变为可支撑日均5000次登录的生产系统。自动化不是消灭人力，而是把人力从重复劳动，释放到更高价值的决策环节。

5. 实战代码详解：一份可直接运行、带错误处理的完整脚本

下面是一份经过生产环境验证的完整代码。它不是玩具Demo，而是删减了业务逻辑、保留了所有工程细节的“最小可用产品”。你可以复制粘贴，稍作域名和选择器修改，即可运行。

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 网站登录自动化脚本（ddddocr版） 适配：Python 3.8+ 依赖：selenium>=4.0, ddddocr>=1.4.5, Pillow, opencv-python """ import time import io import logging from datetime import datetime from typing import Optional, Tuple from selenium import webdriver from selenium.webdriver.chrome.options import Options from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC from selenium.common.exceptions import TimeoutException, NoSuchElementException import ddddocr from PIL import Image import cv2 import numpy as np # ==================== 配置区 ==================== # 请根据目标网站修改以下变量 TARGET_URL = "https://example.com/login" # 目标登录页URL USERNAME = "your_username" PASSWORD = "your_password" # 验证码元素选择器（CSS Selector） CAPTCHA_IMG_SELECTOR = "#login-form .captcha-img" CAPTCHA_INPUT_SELECTOR = "#captcha-input" LOGIN_BTN_SELECTOR = "#login-btn" WELCOME_ELEMENT_SELECTOR = ".welcome-msg" # 登录成功后出现的元素 # 重试参数 MAX_RETRY = 3 PAGE_LOAD_TIMEOUT = 10 CAPTCHA_WAIT_TIMEOUT = 5 # 日志配置 logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler('login_automation.log', encoding='utf-8'), logging.StreamHandler() ] ) logger = logging.getLogger(__name__) # ==================== 工具函数 ==================== def setup_driver() -> webdriver.Chrome: """初始化伪装的Chrome Driver""" chrome_options = Options() chrome_options.add_argument("--headless") chrome_options.add_argument("--no-sandbox") chrome_options.add_argument("--disable-dev-shm-usage") # 深度伪装浏览器指纹 chrome_options.add_argument("--disable-blink-features=AutomationControlled") chrome_options.add_experimental_option("excludeSwitches", ["enable-automation"]) chrome_options.add_experimental_option('useAutomationExtension', False) driver = webdriver.Chrome(options=chrome_options) # 覆盖navigator.webdriver driver.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', { 'source': ''' Object.defineProperty(navigator, 'webdriver', { get: () => undefined }) ''' }) return driver def capture_captcha(driver, selector: str) -> Optional[Image.Image]: """截取验证码图片，返回PIL Image对象""" try: elem = driver.find_element(By.CSS_SELECTOR, selector) location = elem.location size = elem.size left, top, right, bottom = ( int(location['x']), int(location['y']), int(location['x'] + size['width']), int(location['y'] + size['height']) ) # 截全屏 screenshot = driver.get_screenshot_as_png() img = Image.open(io.BytesIO(screenshot)) # 裁剪验证码区域 captcha_img = img.crop((left, top, right, bottom)) logger.info(f"CAPTCHA_CAPTURE: SUCCESS | size={captcha_img.size}") return captcha_img except Exception as e: logger.error(f"CAPTCHA_CAPTURE: FAILED | error={e}") return None def enhance_image(img_pil: Image.Image) -> Image.Image: """增强验证码图片（针对扭曲/低对比度场景）""" # 转OpenCV img_cv = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR) # 高斯模糊 blurred = cv2.GaussianBlur(img_cv, (3, 3), 0) # 灰度+自适应阈值 gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY) thresh = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 ) # 形态学闭运算 kernel = np.ones((2, 2), np.uint8) cleaned = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) return Image.fromarray(cleaned) def recognize_captcha(ocr: ddddocr.DdddOcr, img_pil: Image.Image) -> Optional[str]: """调用ddddocr识别，带置信度过滤""" try: # 增强图像（可选，根据网站情况启用） # enhanced_img = enhance_image(img_pil) # img_bytes = io.BytesIO() # enhanced_img.save(img_bytes, format='PNG') # 直接识别原始图（多数场景足够） img_bytes = io.BytesIO() img_pil.save(img_bytes, format='PNG') # 启用置信度输出 result = ocr.detection(img_bytes.getvalue()) if not result: logger.warning("CAPTCHA_RECOGNIZE: NO_TEXT_DETECTED") return None texts = [] for item in result: # item格式: [x1,y1,x2,y2,text,confidence] if len(item) >= 6 and item[5] >= 0.7: texts.append(item[4]) else: logger.debug(f"CAPTCHA_RECOGNIZE: LOW_CONFIDENCE_CHAR | char='{item[4]}', score={item[5]:.2f}") return None captcha_text = "".join(texts) logger.info(f"CAPTCHA_RECOGNIZE: SUCCESS | text='{captcha_text}', chars={len(texts)}") return captcha_text except Exception as e: logger.error(f"CAPTCHA_RECOGNIZE: FAILED | error={e}") return None def login_flow(driver: webdriver.Chrome, ocr: ddddocr.DdddOcr) -> bool: """完整登录流程""" try: # 1. 打开登录页 driver.get(TARGET_URL) WebDriverWait(driver, PAGE_LOAD_TIMEOUT).until( EC.presence_of_element_located((By.CSS_SELECTOR, CAPTCHA_IMG_SELECTOR)) ) logger.info("LOGIN_PAGE: LOADED") # 2. 获取验证码 captcha_img = capture_captcha(driver, CAPTCHA_IMG_SELECTOR) if not captcha_img: return False # 3. 识别验证码 captcha_text = recognize_captcha(ocr, captcha_img) if not captcha_text: logger.warning("LOGIN_FLOW: CAPTCHA_RECOGNITION_FAILED") return False # 4. 输入账号密码 username_input = driver.find_element(By.NAME, "username") password_input = driver.find_element(By.NAME, "password") username_input.clear() username_input.send_keys(USERNAME) password_input.clear() password_input.send_keys(PASSWORD) # 5. 输入验证码 captcha_input = driver.find_element(By.CSS_SELECTOR, CAPTCHA_INPUT_SELECTOR) captcha_input.clear() captcha_input.send_keys(captcha_text) # 6. 等待登录按钮可点击 login_btn = driver.find_element(By.CSS_SELECTOR, LOGIN_BTN_SELECTOR) WebDriverWait(driver, CAPTCHA_WAIT_TIMEOUT).until( EC.element_to_be_clickable((By.CSS_SELECTOR, LOGIN_BTN_SELECTOR)) ) # 7. 提交 login_btn.click() logger.info("LOGIN_SUBMIT: SENT") # 8. 验证登录成功 WebDriverWait(driver, PAGE_LOAD_TIMEOUT).until( EC.presence_of_element_located((By.CSS_SELECTOR, WELCOME_ELEMENT_SELECTOR)) ) logger.info("LOGIN_SUCCESS: WELCOME_ELEMENT_FOUND") return True except TimeoutException as e: logger.error(f"LOGIN_FLOW: TIMEOUT | error={e}") return False except NoSuchElementException as e: