大家好，我是安果！
做视频剪辑的同学都知道，搜索对标账号和样片是相当耗时的，一般我们通过关键字检索可以获取少量账号和视频素材，并且短时间检索的数据是相同的，因此没法持续获取数据
那么，如何持续获取相关账户信息和样片呢？
以某音为例，我们只需要前期针对账号做一些特定的训练，后期推荐的大部分内容都是我们想要的数据；然后模拟刷视频的动作，通过 OCR 截取视频相关的信息（视频标题、时长、喜欢量等）进行过滤，最后通过点击复制链接按钮，将视频信息写入到本地即可
本篇文章将聊聊常见可行的方案
1、pytesseract
借助 pyautogui 和 pytesseract，可以先对屏幕进行截图，然后利用 pytesseract 进行文字识别
首先，下载 pytesseract 客户端，安装后将运行目录配置到环境变量中
下载地址：https://github.com/UB-Mannheim/tesseract/wiki
然后，下载中文语音训练库并放到应用安装目录
PS：最新版本为 4.1.0
下载地址：https://github.com/tesseract-ocr/tessdata
接着，安装依赖
pip3 install pyautogui pytesseract
核心源码如下：
import pyautogui, pytesseract, os, re
from zhon.hanzi import punctuation
os.environ['TESSDATA_PREFIX'] = r'C:\Program Files\Tesseract-OCR'
def remove_special_characters(text):
text = re.sub(r'[{}]+'.format(punctuation), '', text) # 去除特殊字符
text = re.sub(r'\s+', '', text) # 去除空格和换行符
return text
def __convert_to_minutes(time_str):
"""
将视频时长的字符串格式转换为分钟数。
:param time_str: 视频时长的字符串，格式为 'HH:MM:SS' 或 'MM:SS'
:return: 转换后的分钟数
"""
if len(time_str.split(':')) == 2:
hours = 0
minutes, seconds = time_str.split(':')
else:
hours, minutes, seconds = map(int, time_str.split(':'))
return int(hours) * 60 * 60 + int(minutes) * 60 + int(seconds)
def get_region_text(region):
# 截图（基于坐标）
im = pyautogui.screenshot(region=region)
im.save('my_screenshot.png')
# 使用pytesseract识别截图中的文字
text = pytesseract.image_to_string(im, lang='chi_sim')
# print("识别文字(raw):", text)
text_new = remove_special_characters(text)
# print("识别文字(new):", text_new)
return text_new
# 视频时长（秒）
def get_video_duration(str_raw):
duration_seconds = -1
try:
duration_str = str_raw.split("/")[-1].strip()
duration_seconds = int(__convert_to_minutes(duration_str))
except:
pass
return duration_seconds
if __name__ == '__main__':
# 时长
video_duration_raw = get_region_text((340, 1689, 160, 62))
video_duration = get_video_duration(video_duration_raw)
# 视频介绍
video_content = get_region_text((259, 1774, 1024, 70))
# 喜欢
try:
video_like = int(get_region_text((1699, 1888, 85, 46)))
except:
video_like = -1
print("视频时长:", video_duration)
print('视频介绍：', video_content)
print("视频喜欢数：", video_like)2、CnOCR
实际体验下来，方式一的识别结果不如人意；如果要使用 pytesseract，建议自己训练数据集，提高准确率
CnOCR 是基于 PyTorch 的超棒中英文 OCR Python 工具包；它自带 20 多个针对不同应用场景的训练有素的模型，安装即可使用
项目地址：https://github.com/breezedeus/CnOCR
首先，需要安装 C++ 生成工具
https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/
然后，安装依赖包
pip install cnocr[ort-cpu]
核心源码如下：
import pyautogui, os, re
from zhon.hanzi import punctuation
from cnocr import CnOcr
# pip3 install cnocr[ort-cpu]
def __convert_to_minutes(time_str):
"""
将视频时长的字符串格式转换为分钟数。
:param time_str: 视频时长的字符串，格式为 'HH:MM:SS' 或 'MM:SS'
:return: 转换后的分钟数
"""
# 如果没有小时部分，我们需要将小时设置为0
if len(time_str.split(':')) == 2:
hours = 0
minutes, seconds = time_str.split(':')
else:
# 使用分割函数 split，如果没有小时部分，将默认小时部分为0
hours, minutes, seconds = map(int, time_str.split(':'))
return int(hours) * 60 * 60 + int(minutes) * 60 + int(seconds)
def get_region_text(region):
im = pyautogui.screenshot(region=region)
im.save('my_screenshot.png')
ocr = CnOcr()
result = ocr.ocr('my_screenshot.png')
text = result[0].get("text")
print("识别文字(raw):", text)
return text
# 视频时长（秒）
def get_video_duration(str_raw):
duration_seconds = -1
try:
duration_str = str_raw.split("/")[-1].strip()
duration_seconds = int(__convert_to_minutes(duration_str))
except:
pass
return duration_seconds
if __name__ == '__main__':
# 时长
video_duration_ = get_region_text((340, 1689, 160, 62))
video_duration = get_video_duration(video_duration_)
video_content = get_region_text((259, 1774, 1024, 70))
# 喜欢
try:
video_like = int(get_region_text((1699, 1888, 85, 46)))
except:
video_like = -1
print("视频时长:", video_duration)
print('视频介绍：', video_content)
print("视频喜欢数：", video_like)3、PaddleOCR
PaddleOCR 是百度开源的深度学习框架 PaddlePaddle 下的 OCR 工具集，支持多种语言的文字检测与识别；它具有易用性、高效性，并提供丰富的文档和模型，适用于多种场景的文字识别任务
项目地址：https://github.com/PaddlePaddle/PaddleOCR
首先，需要安装 PaddlePaddle
pip3 install paddlepaddle -i https://mirror.baidu.com/pypi/simple然后，安装 PaddleOCR whl 包
pip3 install "paddleocr>=2.0.1" # 推荐使用2.0.1+版本核心源码如下：
import pyautogui, os, re
from paddleocr import PaddleOCR
def get_region_text(region):
im = pyautogui.screenshot(region=region)
im.save('my_screenshot.png')
ocr = PaddleOCR(use_angle_cls=True, lang="ch",
use_gpu=True) # need to run only once to download and load model into memory
img_path = 'my_screenshot.png'
text = ocr.ocr(img_path, cls=True)[0][0][-1][0]
print("识别文字(raw):", text)
return text
if __name__ == '__main__':
# 时长
video_duration_ = get_region_text((340, 1689, 160, 62))
video_duration = get_video_duration(video_duration_)
# 视频介绍（不精确）
video_content = get_region_text((259, 1774, 1024, 70))
# 喜欢
try:
video_like = int(get_region_text((1699, 1888, 85, 46)))
except:
video_like = -1
print("视频时长:", video_duration)
print('视频介绍：', video_content)
print("视频喜欢数：", video_like)4、实战一下
以某音为例，要筛选出合适的账号和片子，我们需要先借助工具获取元素的坐标（视频内容、喜欢数、时长等），并配置筛选关键字和喜欢阈值
if __name__ == '__main__':
# 坐标配置
duration_region = (187, 1879, 186, 52) # 视频时长
content_region = (144, 1694, 622, 141) # 内容，包含多行
like_region = (2102, 1295, 159, 58) # 喜欢数
studio_video_region = (138, 1698, 111, 59) # 左下角：直播中
share_url_region = 2211, 1715 # 分享ICON
copy_url_region = 1747, 1698 # 拷贝URL到剪切板
dy_video_region = 1314, 1155 # 视频中间位置（方便暂停播放，提取视频时长）
# 视频保存目录
output_path = 'C:\\Users\\xx\\Desktop\\'
output_video_path = f'{output_path}video_result.txt'
# 运行日志
timestamp = datetime.datetime.now().strftime('%Y%m%d_%H%M%S')
file_name = f'log_{timestamp}.txt'
output_log_path = f'{output_path}{file_name}'
logger = Logger(output_log_path)
# 喜欢数阈值（5000）
like_target = 5 * 1000
# 时长限制（秒）
video_duration_min = 45
video_duration_max = 120
# 关键字
keywords = ['xx1', 'xx2']然后编写过滤逻辑和数据写入本地逻辑
def current_video_check():
# 时长
video_duration_ = get_region_text(duration_region)
video_duration = get_video_duration(video_duration_)
logger.debug("视频时长：" + str(video_duration))
...
# 视频介绍
video_content = get_region_text(content_region)
logger.debug("视频介绍：" + str(video_content))
if not contain_keywords(video_content) or '广告' in video_content:
video_content_result = False
return video_duration_result, video_content_result, video_like_result
else:
video_content_result = True
# 喜欢
try:
video_like_str = get_region_text(like_region)
video_like = get_like_count(video_like_str)
except:
video_like = -1
logger.debug("视频喜欢数：" + str(video_like))
if video_like < like_target:
video_like_result = False
else:
video_like_result = True
return video_duration_result, video_content_result, video_like_result
# 写入数据
def write_to_file():
# 移动到复制按钮处，显示复制悬浮框
pyautogui.moveTo(share_url_region)
time.sleep(1)
# 点击复制按钮，将内容复制到剪切板
pyautogui.click(copy_url_region)
...
# 点击界面，关闭复制弹框
pyautogui.click(dy_video_region)最后模拟刷视频的动作，通过上面的筛选条件过滤出合适的数据
def start():
# 点击视频画面，停止播放，并窗口focus
pyautogui.click(dy_video_region)
while True:
video_duration_result, video_content_result, video_like_result = current_video_check()
if video_duration_result and video_content_result and video_like_result:
write_to_file()
elif not video_duration_result:
logger.error("Fail-时长不满足要求")
elif not video_content_result:
logger.error("Fail-视频内容不满足要求")
elif not video_like_result:
logger.error("Fail-视频点赞数不满足要求")
# 下一个片子
# 模拟按下方向下键
pyautogui.press('down')
# 等待一段时间
time.sleep(random.uniform(0.5, 2.0))
if is_studio_video():
print("直播间，过滤。。。")
pyautogui.press('down')
time.sleep(1)
else:
# 模拟按下空格键（暂停）
# pyautogui.press('space')
pyautogui.click(dy_video_region)完整思路及核心源码上面已全部包含，如果需要完整的源码可以加个人微信付费获取
如果你觉得文章还不错，请大家 点赞、分享、留言 下，因为这将是我持续输出更多优质文章的最强动力！
推荐阅读
END
好文和朋友一起看~
2966
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
