最近想做一篇爬虫分析给男朋友/女朋友送礼物的博文,但是在某宝上使用“七夕礼物送女友”
关键字进行搜索得到的商品的标题很多都是类似这样的《生日礼物女生七夕情人节给闺蜜送女友朋友送给女孩的实用小高级感》
,让人仅看标题根本不知道卖的是什么,但是看到很多封面图片上包含的有商品名或者商品说明,于是想到可以识别封面图中的文字进行分析。
虽然可以通过自己训练模型来实现此效果,但暂时又实在是比较懒惰,就使用了现有工具 Tesseract
,将安装和使用进行分享。
提取、识别图片中的文字也称为光学字符识别 (Optical Character Recognition, OCR),其是指将手写或印刷文本的图像转换为文本,包括来自扫描文档、文档照片、场景照片(例如风景照片中标志和广告牌上的文字)或叠加在图像上的字幕等文字。
Tesseract-OCR简介与版本选择
Tesseract 是一个开源 OCR 引擎,Tesseract 可以直接通过命令行使用,或者通过使用 API 从图像中提取文本。它为多种语言提供了API,其中显然包括 Python。除了可以使用二进制安装包进行安装外,也可以针对各种设备使用源代码进行编译,包括 Android 和 iPhone。Tesseract 支持 unicode (UTF-8),可以识别 100 多种语言。Tesseract 支持各种输出格式,包括纯文本、HTML、PDF、TSV等,5.0.0 alpha 还增加了对 XML 输出的支持。
目前,Tesseract 主要包含三个版本:3.x、4.x和 5.0.0 alpha。最新的 3.x 版本(可用于某些具有特殊需求的项目,如特征回归)为 3.05.02,于 2018 年 6 月 19 日发布;最新的稳定版本(基于 LSTM)是 4.1.1,发布于 2019 年 12 月 26 日;5.0.0 alpha 对代码进行了重构,增加了一些实验性的功能。参考官方意见,由于需要使用 Tesseract API,因此选择使用 4.1.0。
有关 Tesseract 的更多介绍,可以参考官方文档.
tesseract-OCR安装
安装过程主要参考官方文档。
-
首先,下载根据需要下载安装包,这里选择 tesseract-ocr-w64-setup-v4.1.0.20190314.exe。
-
双击下载完成的安装包进行安装。
- 点击
Next
后,经典同意 (I Agree) 服务条款。
- 单击
I Agree
后,选择为所有用户或仅当前用户安装,这里选择默认的为所有用户。
- 单击
Next
后,选择附加脚本和语言数据。
根据需要,选择附加脚本数据:
根据需要,选择附加语言数据:
这里选择了中文相关的附加语言包:
- 点击
Next
后,选择软件安装位置,这里使用默认位置。
Warning: Tesseract 应该安装默认目录或新目录中,否则由于卸载程序会删除整个安装目录,会导致该目录及其所有子目录和文件被删除。
- 点击
Next
后,选择是否创建快捷方式,及快捷方式位置。
由于我只想使用 Tesseract API,因此此处选择不创建快捷方式,勾选 Do not create shortcuts
前复选框,如果需要快捷方式,取消勾选此复选框即可。
- 点击
Install
开始安装。
- 安装完成后,点击
Next
。
- 最后点击
Finish
完成安装。
Tesseract-OCR配置
将 Tesseract 添加进环境变量中。右键单击“此电脑
”,选择“属性
”,单击“高级系统设置
”,然后单击“环境变量
”,“编辑
”系统环境变量“Path
”,选择“新建
”将 Tesseract-OCR 的安装目录(此处展示的安装目录为默认位置,如果修改了安装目录需要根据自己的安装位置进行修改)添加到环境变量中。
“确定
”生效后,可以在 shell
中运行以下命令进行验证:
tesseract -v
若成功配置,则会打印版本信息:
tesseract v4.0.0.20190314
leptonica-1.78.0
libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.2.0
Found AVX2
Found AVX
Found SSE
安装Python调用Tesseract API所需依赖项
pip install pillow
pip install pytesser3
pip install pytesseract
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
现在能在网上找到很多很多的学习资源,有免费的也有收费的,当我拿到1套比较全的学习资源之前,我并没着急去看第1节,我而是去审视这套资源是否值得学习,有时候也会去问一些学长的意见,如果可以之后,我会对这套学习资源做1个学习计划,我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料,质量还不错,大家可以跟着学习
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
ttps://img-blog.csdnimg.cn/img_convert/21b2604bd33c4b6713f686ddd3fe5aff.png)
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-Sz0Jh1NR-1712703154357)]