https://github.com/mr-addict/captcha
Captcha识别器
https://github.com/mr-addict/captcha
Last synced: 11 months ago
JSON representation
Captcha识别器
- Host: GitHub
- URL: https://github.com/mr-addict/captcha
- Owner: MR-Addict
- Created: 2022-10-03T14:27:50.000Z (over 3 years ago)
- Default Branch: main
- Last Pushed: 2023-05-29T07:19:56.000Z (almost 3 years ago)
- Last Synced: 2025-03-01T23:29:12.408Z (about 1 year ago)
- Language: CSS
- Homepage: https://caelcaptcha.azurewebsites.net
- Size: 19.1 MB
- Stars: 0
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Captcha 识别器 
## 1. 如何搭建
### 1.1 Docker 部署
#### 1.1.1 一键部署
一键部署：
```bash
docker run --restart=unless-stopped -p 45547:45547 -d --name captcha mraddict063/captcha
```
docker-compose 版：
```bash
docker-compose up -d
```
#### 1.1.2 手动编译
克隆文档：
```bash
git clone https://github.com/MR-Addict/captcha.git
```
编译镜像：
```bash
docker build -t captcha .
```
启动镜像：
```bash
docker run --restart=always -p 45547:45547 -d --name captcha captcha
```
### 1.2 本地部署
克隆文档：
```bash
git clone https://github.com/MR-Addict/captcha.git
```
安装 python 依赖：
```bash
python install -r requirements
```
启动 App：
```bash
uvicorn index:app --reload
```
## 2. 如何使用
### 2.1 使用 API 接口
服务器请自行部署，API 接口用法如下：
| 参数 | 值 |
| :-----: | :------: |
| method | post |
| captcha | 本地图片 |
#### 2.1.1 curl
```bash
curl -skL http://localhost:45547 -F captcha=@captcha.jpg
```
#### 2.1.2 python
```python
import json
import requests
def decode_captcha(img_path):
files = {'captcha': open(img_path, 'rb')}
response = requests.post("http://localhost:45547", files=files)
return json.loads(response.text)
if __name__ == '__main__':
print(decode_captcha("image/path.jpg"))
```
> 注意：其他语言和脚本使用方法可自行查询参考
### 2.2 使用 Web UI
部署好服务器后，直接打开其本地 Web 地址上传图片即可：
- [http://localhost:45547](http://localhost:45547)
## 3. 说明
本项目核心 Captcha 识别使用了 ddddocr 的 Python 库，详细内容可参考 sml2h3 的[GitHub 项目](https://github.com/sml2h3/ddddocr)。
另外本项目也使用了 sml2h3 的[ddddocr 训练项目](https://github.com/sml2h3/dddd_trainer)，来训练适合南京工业大学的校园网登录图形验证码。
使用自己训练的模型，1000 张样本识别的成功率可保持在 100%。默认模型识别的成功率也很高，1000 张样本只有 6、7 张左右的错误。
如果你想使用默认的模型，可以注释掉`src/index.py`中的有关 model 的内容：
```python
ocr = ddddocr.DdddOcr(
beta=False,
show_ad=False,
import_onnx_path="model/captcha.onnx", charsets_path="model/charsets.json"
)
```
目前南京工业大学校园网登录图形验证码大致如下：
