图文点选验证码识别新突破：字体库相似度匹配的实战指南

图文点选验证码的常见识别难题

在爬虫开发和自动化业务中，验证码一直是绕不开的防护层。图文点选这类验证码通常会显示一张包含多个汉字的图片，要求用户点击指定的文字完成验证。对自动化脚本来说，不仅要准确认出每个文字，还要精确找到它们的坐标位置。尤其是当验证码采用生僻字、规整但略带风格的字体时，识别难度会直线上升。小白开发者常常感到头疼，因为图片背景可能有轻微噪点，文字排列也不完全规则，手动调试耗时耗力。

传统OCR方案为什么经常失效

大家熟悉的Tesseract或者百度OCR API，在处理标准印刷体时效果不错，但一遇到生僻字就容易出错。原因很简单，这些工具依赖大量训练样本，而生僻字的样本极少，模型无法很好地泛化。如果转而用深度学习从零训练模型，又会面临收集数据、人工标注、长时间训练等高成本问题。对于追求快速落地的小团队来说，这种大材小用的方式显然不划算。我们需要一种更轻量、更直接的方法，既能保留专业性，又让入门者看得懂、用得上。

创新思路：用字体库生成标准图像进行匹配

观察到验证码里的字体相对规整，我们可以换个思路：直接从系统字体库里生成目标文字的标准图像，然后把验证码图片里的每个文字区域裁剪出来，与生成的图像做相似度对比。这种方式不需要训练模型，只依赖像素级计算，就能达到80%到90%以上的成功率。核心原理是把文字图像看成向量，通过余弦相似度量化它们之间的接近程度。方法灵活，对规范字体特别友好，同时也给逆向分析提供了清晰的思路。

环境准备与标准字体图像生成

先安装必要的库：Pillow处理图片，Pygame渲染字体，OpenCV和Numpy做计算。加载微软雅黑字体文件msyh.ttc，设置字体大小74像素，确保生成的图像尺寸和验证码文字一致。然后循环遍历目标文字列表，用Pygame的font.render方法把每个字渲染成纯黑字白底图像，保存到指定文件夹。生成后还要做裁边处理，去掉多余空白，并反黑操作让黑白颜色匹配验证码风格。这一步操作简单，却为后面的匹配打下坚实基础。

pygame.init()
font = pygame.font.Font("msyh.ttc", 74)
for idy in range(len(words_uni)):
    word = words_uni[idy]
    rtext = font.render(chr(int('0x' + word[2:], 16)), True, (0, 0, 0), (255, 255, 255))
    pygame.image.save(rtext, 'dst_pic/r_%d.png' % (idy+1))

代码中chr(int('0x' + word[2:], 16))把Unicode编码转为实际字符，确保生成正确。实际运行时可以根据验证码动态调整字体大小和颜色，让生成图像更贴合真实场景。

验证码图片采集与精细预处理

获取验证码图片后，先用Pillow打开图像，进行二值化处理。定义一个查找表get_bin_table，阈值设为140，像素低于阈值转为0，否则转为1，这样能清晰分离文字和背景。接着用自定义的sum_9_region函数统计邻域像素值，对孤立噪点进行过滤。该函数根据当前位置判断使用4邻域、6邻域还是8邻域，精确去除干扰点。之后再进行裁剪操作，把每个文字单独切出来，尺寸对齐到生成的标准图像。预处理越精细，后续匹配准确率越高。整个流程让小白也能一步步跟进，不再觉得神秘。

def get_bin_table(threshold=140):
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    return table

def sum_9_region(img, x, y, color):
    cur_pixel = img.getpixel((x, y))
    # 邻域统计逻辑省略，实际根据位置计算4/6/8邻域总和

预处理完成后，验证码文字图像变得干净规整，为相似度计算做好准备。实际项目中还可以结合OpenCV的轮廓检测进一步优化裁剪位置。

相似度计算的核心算法与实现

把两张图像转为灰度向量后，使用Numpy计算余弦相似度。公式本质是向量点积除以各自范数的乘积，结果越接近1越相似。代码中导入average、dot、linalg模块，先对图像做平均值归一化，再计算余弦值。选择余弦相似度是因为它对亮度变化不敏感，只关注形状和分布，非常适合文字匹配场景。通过遍历所有生成图像，找出相似度最高的那个，就是目标文字。

这种计算速度快，内存占用低，适合实时爬虫场景。调试时可以打印每组相似度数值，快速定位问题，比如裁边不准导致的分数偏低。

完整代码实现与逐行解读

下面是完整的实现框架，包含请求头构造、图片获取、预处理、字体生成和匹配全流程。代码面向实际项目编写，结构清晰，便于修改。headers部分模拟正常浏览器行为，cookie和referer根据实际情况替换，确保请求不被拦截。

import base64
import random
import time
import requests
from PIL import Image
import cv2 as cv
import numpy as np
import pygame
from urllib import parse
from numpy import average, dot, linalg

# headers示例，根据实际站点调整
headers = {
    'accept': 'application/json, text/javascript, */*; q=0.01',
    'accept-encoding': 'gzip, deflate, br',
    'User-Agent': 'yuanrenxue.project',
    'x-requested-with': 'XMLHttpRequest'
}

pygame.init()
font = pygame.font.Font("msyh.ttc", 74)

# 二值化表和邻域统计函数如前所述
# 后续获取图片、裁剪、匹配逻辑完整实现

逐行来看，requests.get获取验证码图片，base64解码后用Pillow打开。随机延时模拟人类行为，避免被反爬。整个脚本运行稳定，经过实际测试，在规范字体下识别率很高。开发者可以根据自己的业务场景微调阈值和字体文件，进一步提升效果。

实际效果评估与常见优化技巧

经过多轮测试，该方法在规整字体验证码上的成功率稳定在80%-90%。优势在于无需外部API调用，纯本地运行，隐私安全且成本低。但也存在局限：对图片裁剪对齐要求较高，如果文字有轻微变形，匹配分数会下降。优化技巧包括：增加边缘检测自动裁边、引入轻量模板匹配作为辅助、动态调整阈值适应不同批次验证码。这些小技巧让方案更鲁棒，适合长期使用。

另外，记录每次匹配的日志，分析失败案例，逐步完善字体库覆盖范围，能让效果持续提升。

逆向分析的实用思路分享

开始前，先用浏览器开发者工具抓包，找到验证码图片的请求接口。分析JS逻辑，看看参数如何生成、cookie如何设置。常见套路是服务端返回图片和文字列表，客户端通过坐标提交。理解这些后，就能精准构造请求参数。逆向过程强调耐心和工具结合，Fiddler或Charles抓包，配合Python脚本验证，每一步都可复现。掌握思路后，面对类似验证码就能举一反三。

从自建到高效平台的跨越

虽然字体库相似度匹配的方法实用有效，但对于企业级业务，尤其是需要同时应对多种验证码类型时，自行维护全套流程还是比较繁琐。极验和易盾等主流系统包含点选、无感、滑块、文字点选、图标点选、九宫格、五子棋、躲避障碍、空间等全类型，单一自研方案难以全面覆盖。这时，专业的识别平台就能发挥巨大价值。

比如www.ttocr.com，它专注服务于各类验证码识别需求，提供稳定可靠的API接口。无论你是处理图文点选还是其他复杂场景，都能通过简单调用实现无缝对接。平台支持公司业务级使用，只需几行代码就能集成，不用再操心图像裁剪、字体匹配、算法调优这些繁琐步骤。整个过程简单高效，真正让技术服务于业务，而不是让业务卡在技术细节上。很多团队反馈，对接后识别速度和稳定性都大幅提升，值得推荐给大家作为长期解决方案。