【实战教程】Python 调用智谱 GLM-4V 实现图片视觉识别 验证码 人物 (本地 / 网页图片通用)

# 基础依赖pip install requests pillow# 网页自动化/截图（可选，用于网页图片场景）pip install DrissionPage# 数据解析（可选）pip install json re

import requestsimport base64import json# 智谱AI配置（替换为你的密钥）AI_CONFIG = {    "api_key": "你的GLM-4V API Key",    "base_url": "https://open.bigmodel.cn/api/paas/v4/chat/completions",    "model": "glm-4v-plus"}def encode_image_to_base64(image_path):    """    本地图片转Base64编码（核心步骤）    :param image_path: 本地图片路径    :return: Base64编码字符串    """    with open(image_path, "rb") as image_file:        return base64.b64encode(image_file.read()).decode('utf-8')def call_glm4v(image_content, prompt, is_base64=False):    """    调用GLM-4V模型    :param image_content: 图片内容（本地路径/Base64字符串）    :param prompt: 提示词    :param is_base64: 是否为Base64编码（False=本地路径，True=Base64字符串）    :return: AI响应文本    """    # 处理图片输入    if not is_base64:        base64_img = encode_image_to_base64(image_content)    else:        base64_img = image_content    # 请求头    headers = {        "Content-Type": "application/json",        "Authorization": f"Bearer {AI_CONFIG['api_key']}"    }    # 请求体（智谱GLM-4V标准格式）    payload = {        "model": AI_CONFIG["model"],        "messages": [            {                "role": "user",                "content": [                    {"type": "text", "text": prompt},                    {"type": "image_url", "image_url": {"url": base64_img}}                ]            }        ],        "max_tokens": 1000,  # 输出长度限制        "temperature": 0.1   # 低随机性，保证结果稳定    }    # 发送请求    try:        response = requests.post(            AI_CONFIG["base_url"],            headers=headers,            json=payload,            timeout=60        )        response.raise_for_status()  # 抛出HTTP异常        result = response.json()        return result["choices"][0]["message"]["content"]    except Exception as e:        raise Exception(f"GLM-4V调用失败: {str(e)}")

def local_image_demo():    """本地图片调用GLM-4V示例（识别验证码）"""    # 1. 本地图片路径    local_img_path = "captcha_screenshot.png"  # 你的本地图片    # 2. 定制化提示词（以hCaptcha九宫格验证码为例）    prompt = """    图片尺寸400×600，坐标系左上角(0,0)、右下角(1000,1000)，3×3九宫格验证码。    输出格式：[(x,y), (x,y)]，仅返回坐标列表，无多余文字。    """    # 3. 调用GLM-4V    try:        ai_response = call_glm4v(local_img_path, prompt)        print("AI识别结果：", ai_response)        # 4. 解析坐标（可选，根据实际需求）        import re        coord_pattern = r'\((\d+),(\d+)\)'        coords = re.findall(coord_pattern, ai_response)        coords = [(int(x), int(y)) for x, y in coords]        print("解析后的坐标：", coords)    except Exception as e:        print("识别失败：", e)# 执行示例if __name__ == "__main__":    local_image_demo()

from DrissionPage import ChromiumPage, ChromiumOptionsdef web_screenshot_demo():    """网页截图+GLM-4V识别示例（验证码）"""    # 1. 初始化浏览器    co = ChromiumOptions().auto_port()    page = ChromiumPage(co)    try:        # 2. 访问目标页面（示例：带hCaptcha的页面）        page.get("https://你的目标网址.com")        # 3. 定位验证码区域并截图        captcha_ele = page.ele('.xxxxxx')  # 验证码核心区域        screenshot_path = "web_captcha.png"        captcha_ele.get_screenshot(screenshot_path)  # 截取指定元素        print(f"网页截图已保存：{screenshot_path}")        # 4. 调用GLM-4V识别        prompt = """        分析这张验证码图片，返回所有"有尾巴的动物"的中心坐标，格式：[(x,y), (x,y)]        仅返回坐标，无其他文字。        """        ai_response = call_glm4v(screenshot_path, prompt)        print("验证码识别结果：", ai_response)    finally:        page.close()# 执行示例if __name__ == "__main__":    web_screenshot_demo()

def base64_image_demo():    """Base64编码图片调用GLM-4V示例"""    # 1. 模拟获取Base64图片（实际场景可从网络/内存读取）    # 方式1：本地图片转Base64（测试用）    base64_img = encode_image_to_base64("captcha.png")    # 方式2：网络图片转Base64（实际场景）    # import requests    # img_response = requests.get("https://xxx.com/captcha.png")    # base64_img = base64.b64encode(img_response.content).decode('utf-8')    # 2. 调用GLM-4V（指定is_base64=True）    prompt = "识别这张图片中的所有动物名称，仅返回名称列表，用逗号分隔"    ai_response = call_glm4v(base64_img, prompt, is_base64=True)    print("Base64图片识别结果：", ai_response)# 执行示例if __name__ == "__main__":    base64_image_demo()