python爬虫实战-爬取微信公众号所有历史文章 - (03) python结合tesseract-ocr做图文识别（OCR）

http://efonfighting.imwork.net/

欢迎关注微信公众号“一番码客”获取免费下载服务与源码，并及时接收最新文章推送

前面我们讲到了adb的封装，里面具体讲到到了在一副图片中寻找目标的坐标并点击。这篇文章我们讲讲对一副图片的特定区域做截取，并利用开源库做图纹识别。
要实现这个步骤的原因是，最初想实现爬取微信公众号历史文章这个功能时，一番没有抓包爬虫经验，于是为了获取历史文章的标题用于pdf打印时的命名，一番想到截图后对图片做图文识别，然后点击文章标题，进入到文章阅读界面然后结合目标图片识别“复制链接”来获取到文章的链接。

安装 tesseract-ocr

tesserat是一个开源的文字识别引擎，目前已经开发到4.0版本，训练支持了100+种的语言了。这里安装以ubunut18.04为例。

安装分为两部分:

1. 安装引擎
   对于ubuntu18.04来说安装很简单，两条命令搞定：

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

• 安装需要识别语言的现有训练库:
  安装简体中文的识别库：

sudo apt install tesseract-ocr-chi-sim

如果是英文识别库：

sudo apt install tesseract-ocr-eng

如果是windows，下载对应的32位或64位安装包，然后将下载的语言识别库“xxx.traineddata”放到安装目录（比如C:\Program Files\Tesseract-OCR\tessdata）下。
对于mac或者其他版本linux系统的安装方式，当然包括windows详细安装教程，请参考tesseract-ocr官方github的wiki（当然是英文的啦）。

公众号后台回复关键字 “ tesseract-ocr ” 获取官方工程github地址和windows安装包、语言包。

安装完成之后你发现就可以用tesseract命令啦。

python结合pytesseract做图文识别

首先确保安装了python pytesseract包，

• pycharm 请在setting里安装。
• 终端安装直接 “pip3 install pytesseract”。

接下来就可以直接通过python调用pytesseract的接口做图文识别啦。下面以一幅手机屏幕截图为例。

1. 这里标定每篇文章题目的范围，如图红框。
2. test代码

def test():
    from PIL import Image
    import pytesseract
    import matplotlib.pyplot as plt

    #读取图片，并截取其中的一部分
    img = Image.open("/home/soy/Desktop/一番码客.jpg")
    grey = img.convert('L') # 只留取亮度信息，转换为黑白色，有利于文字识别
    cutPic = grey.crop((25, 270, 690, 540)) # 上图红框里的范围(x1,y1,x2,y2)

    #这里为了将所有非白色的像素点转换为纯黑色，有利于增高文字的锐度、清晰度。
    xSize = cutPic.size[0]
    ySize = cutPic.size[1]
    for y in range(ySize):
        for x in range(xSize):
            if(cutPic.getpixel((x,y)) != 255):
                cutPic.putpixel((x,y),0)

    #展示处理后的图像
    plt.imshow(cutPic)
    plt.show()

    #图文识别
    itemStr = pytesseract.image_to_string((cutPic), lang='chi_sim').replace(' ', '')
    print(itemStr)

    #文字拼接处理
    itemStrList = itemStr.split('\n',8)
    dateStr = itemStrList[len(itemStrList)-1]
    topicStr = ''
    for idx in range (len(itemStrList)-1):
        topicStr += itemStrList[idx]

    #处理后的文字
    print(dateStr+'_'+topicStr)

3. 处理后图片：
   

4. 识别结果：
   

结语

怎么样，用python做图文识别是不是超简单？这就是python的魅力所在啊。
那么获取每篇文章的思路就是：

1. 通过OCR获取最上面一篇的文章标题；
2. 点击进去，通过图像目标查找，点击“复制文章链接”按钮，并将链接传回PC保存；
3. 返回，向下滑动页面刚好一栏标题，重复1。
4. 通关！

人生的蜕变不知是否一定需要伴随着痛苦，但从很多经验来看，这条路是行得通的。
你承受了人生的痛苦，也经历着世间的繁华。无所谓不可承受之重。