python 爬取自如网租房信息（解决照片价格问题）

一、背景 

爬取自如网的租房信息时，本来以为是手到擒来的事，结果却被租房价格卡死了。有脾气的自如，价格居然搞成了照片，并且照片是乱序的0到9，每次根据像素位截取。

 最气人的，还是一张照片只取一个数字，例如价格是“1490”，它就要由四张照片和四个像素位组合来取，如下图。

 二、解决价格问题

解决价格问题，最传统的是思路，应该就是先把数字照片识别出来，然后根据像素位取出数字，再把数字组合成价格。

2.1、图片识别

图片识别这里使用tesserocr库，这个库是开源的类库，专门用来进行图文识别的，tesserocr库是基于Tesseract软件开发的，因此，要想使用tesserocr前，需要先安装tesseract。简单说一下windows环境下安装过程中的注意事项。

tesseract安装

Windows下下载地址： https://digi.bib.uni-mannheim.de/tesseract/

注意，文件带dev的是开发版本，不带dev的是稳定版本，咱们小老百姓，选择稳定版就行了。

安装过程注意事项：

1、勾选Additional language data（download）选项，这样可以识别多国语言（要下载1G多的东西，有点慢）

2、配置环境变量。复制你的安装地址，进入“控制面板-系统和安全-系统”，点击“系统保护”，点击环境变量，把刚才的安装路径Path，注意，添加时候开头用“;”跟之前的变量隔开。添加完毕后到命令窗口cmd中输入：tesseract -v，如果可以看到版本信息即为成功

3、因为没有配置全局变量，无法跨盘执行数据转换，这里我们在环境变量那增加一个配置信息。系统变量>新建：增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径

 

安装过程可参考：