Django reCAPTCHA 使用与技术文档
1. 安装指南
首先,您需要在Django reCAPTCHA的页面上注册reCAPTCHA。注册完成后,您将获得一对公钥和私钥,这对于reCAPTCHA的正常工作至关重要。
接下来,通过pip命令安装Django reCAPTCHA:
pip install django-recaptcha
在您的Django项目的settings.py文件中,添加'django_recaptcha'到INSTALLED_APPS列表中:
INSTALLED_APPS = [
# ... 其他应用 ...
'django_recaptcha',
# ... 其他应用 ...
]
然后,在settings.py中配置reCAPTCHA的公钥和私钥:
RECAPTCHA_PUBLIC_KEY = '您的reCAPTCHA公钥'
RECAPTCHA_PRIVATE_KEY = '您的reCAPTCHA私钥'
如果需要使用代理,可以设置RECAPTCHA_PROXY:
RECAPTCHA_PROXY = {'http': 'http://127.0.0.1:8000', 'https': 'https://127.0.0.1:8000'}
如果www.google.com无法访问,可以将RECAPTCHA_DOMAIN设置为www.recaptcha.net:
RECAPTCHA_DOMAIN = 'www.recaptcha.net'
2. 项目的使用说明
要在表单中添加reCAPTCHA,可以使用ReCaptchaField字段类。默认情况下,它将渲染一个reCAPTCHA V2 Checkbox。
例如:
from django import forms
from django_recaptcha.fields import ReCaptchaField
class FormWithCaptcha(forms.Form):
captcha = ReCaptchaField()
您还可以在运行时指定密钥,通过向构造函数传递private_key或public_key参数:
captcha = ReCaptchaField(
public_key='您的公钥',
private_key='您的私钥'
)
3. 项目API使用文档
ReCaptchaField支持以下几种小部件:
ReCaptchaV2Checkbox:用于Google reCAPTCHA V2 Checkbox。ReCaptchaV2Invisible:用于Google reCAPTCHA V2 Invisible。ReCaptchaV3:用于Google reCAPTCHA V3。
要使用非默认的reCAPTCHA V2 Checkbox小部件,只需替换ReCaptchaField的小部件。例如:
from django import forms
from django_recaptcha.fields import ReCaptchaField
from django_recaptcha.widgets import ReCaptchaV2Invisible
class FormWithCaptcha(forms.Form):
captcha = ReCaptchaField(widget=ReCaptchaV2Invisible)
reCAPTCHA V3还返回一个分数值,用于确定页面交互是机器人的可能性。可以通过设置RECAPTCHA_REQUIRED_SCORE来设定项目范围的分数限制:
RECAPTCHA_REQUIRED_SCORE = 0.85
也可以在运行时为每个字段指定分数:
captcha = fields.ReCaptchaField(
widget=ReCaptchaV3(required_score=0.85)
)
如果分数不符合要求,字段验证将失败,并记录错误信息。
reCAPTCHA V3 API还支持传递一个动作值,用于将reCAPTCHA验证与您网站上的特定表单关联起来,以便进行风险分析。设置动作值时,可以使用以下方式:
captcha = fields.ReCaptchaField(
widget=widgets.ReCaptchaV3(
action='signup'
)
)
设置动作是可选的,如果不指定动作,则不会向reCAPTCHA V3 API传递任何动作。
4. 项目安装方式
请遵循上述安装指南中的步骤进行安装。确保已经注册了reCAPTCHA并获取了公钥和私钥,然后通过pip安装Django reCAPTCHA,并在Django项目的配置文件中进行了相应设置。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00