在深度学习和大语言模型蓬勃发展的今天，验证码识别依然是自动化测试、数据采集和反爬虫研究中绕不开的课题。无论是登录网站、批量注册账号，还是测试系统的安全性，我们都需要大量标注好的验证码样本来训练识别模型。然而，现实情况是：找一千张验证码容易，找一千张已标注的验证码难。市面上的公开验证码数据集要么收费昂贵，要么类别单一，要么早已被各大平台的防御系统淘汰。于是，自己动手采集并标注验证码，成了绝大多数开发者和研究者的必经之路。这篇文章不是为了炫技，而是为了解决一个非常具体的问题：如何用最简单的代码，稳定、高效地下载大量验证码图片，并整理成适合人工标注的目录结构？我会从需求分析、技术选型、代码实现到踩坑经验，完整记录整个开发过程。所有代码都经过了实际测试，运行环境是 Python 3.10+。目录一、需求拆解：我们要做什么？二、技术选型：为什么选这些库？2.1 核心库清单2.2 为什么不用 urllib？2.3 为什么不用异步（如 aiohttp）？三、代码实战：一步步搭建采集系统3.1 项目结构3.2 配置文件 config.py3.3 辅助函数 utils.py3.4 存储与去重 storage.py3.5 采集核心 collector.py3.6 主程序 main.py一、需求拆解：我们要做什么？在写任何代码之前，先问自己：用户到底需要什么？假设你是一个数据标注员，或者是一个需要训练验证码识别模型的算法工程师。你的诉求可能是：自动抓取：程序能自动访问某个目标网站，获取验证码图片。去重保存：重复的验证码不要保存，节省标注成本。分类存储：最好能把不同类型的验证码（例如数字、字母、滑动拼图）分开放置。断点续传：今天下了 500 张，明天继续下，不要从头再来。记录失败：哪些 URL 请求失败了？保存日志方便排查。易于标注：图片文件名最好包含时间戳或序号，方便后续与标注结果对应。基于以上需求，我设计了一个三层架构：采集层：负责发送 HTTP 请求，获取验证码二进制数据。
