近期工作
工作说明
目前的工作是为了建立甲骨文-汉字比对库,以及小篆-汉字比对库,故很自然就是要收集较为完整且干净的甲骨文、小篆数据。
针对甲骨文文字以及小篆文字的
抽取甲骨文字库数据
1、收集甲骨文-汉字比对大全表
下图为甲骨文对照表,共有1602个甲骨文图像以及对应的现代简体中文。且文件为pdf格式,目标是对里面甲骨文图片进行分割。
2、对甲骨文图片进行提取
这里主要用到的工具为python的fitz库,这个库可以通过正则表达式对pdf文件里面的图片元素进行提取。
关键代码为:
def transform(s_path, d_path):
# 使用正则表达式来查找图片
checkXO = r"/Type(?= */XObject)"
checkIM = r"/Subtype(?= */Image)"
# 打开pdf
pdf_doc = fitz.open(s_path)
# 图片计数
imgcount = 0
lenXREF = pdf_doc.xref_length()
# 遍历每一个对象
for i in range(1, lenXREF):
# 定义对象字符串
xref_text = pdf_doc.xref_object(i)
isXObject = re.search(checkXO, xref_text)
# 使用正则表达式查看是否是图片
isImage = re.search(checkIM, text)
# 如果不是对象也不是图片,则continue
if not is XObject or not isImage:
continue
imgcount += 1
# 根据索引生成图像
pix = fitz.Pixmap(doc, i)
3、对甲骨文对应汉字进行提取
这里主要用到的工具为python的pdfplumber库,这个库可以通过正则表达式对pdf文件里面的图片元素进行提取。
import pdfplumber
total_charactor_list =[]
# 利用pdfplumber多个提取表格
with pdfplumber.open('duizhaobiao.pdf') as pdf:
#对每一页的pdf进行文字提取
for page in pdf.pages:
for table in page.extract_tables():
#所提取出来的字符可能是简体字,可能是None、空字符、英文字符
for character_list in table:
for character in character_list:
if character ==None or character=="":
pass
else:
#判断是不是简体字
if ord(character) not in range(65,90+1):
total_charactor_list.append(character)
4、对图片和汉字做对应
由于暂时没有定好甲骨文图片的编号,故不能单独给图片以汉字命名(会出现重名)。对图片进行编号需要小篆字库确定再进行。
如图,文件夹中图片的顺序是与txt文件中的顺序对应的。
下一步准备将数据入库。
抽取小篆字库数据
由于网上所能收集到的小篆-简体字对照表比较难找,但是有提供根据汉字查找的功能,故选择下面古文字字源网站进行爬取。
1、获取简体字常用字库
简体字的常用字库大约有七千字左右,但不是每个现代汉字都有对应的小篆字体。
2、根据字库对网站进行爬取
这一步使用selenium对小篆数据进行截图,主要用到Python的PIL库和selenium库。
关键步骤在于①模拟浏览器操作,对某汉字进行搜索;②若存在对应小篆字体则进行截图。
#模拟浏览器进行操作
etymologySearchChar =driver.find_element_by_id("etymologySearchChar")
etymologySearchChar.clear()
#对某个字进行输入
etymologySearchChar.send_keys(line[0])
etymologySearchButton=driver.find_element_by_id("etymologySearchButton")
etymologySearchButton.click()
time.sleep(5)
#找寻含有小篆字体的元素
background_image =driver.find_elements_by_xpath('//div[@data-target="#etymologyModal"]')
for i in range(len(background_image)):
time.sleep(0.1)
#确定存储路径
image =background_image[i]
final_path =path+"\\"+image.text+'.png'
#确定图片两个角的坐标
left = image.location['x']+5
top = image.location['y']
right = image.location['x'] + image.size['width']-2
bottom = image.location['y'] + image.size['height']-2
driver.save_screenshot(final_path)
#对图片进行截图
photo = Image.open(final_path)
photo = photo.crop((left, top, right, bottom))
#存储截图
photo.save(final_path)
3、小篆字体收集结果
可以看见有的文件夹是空的,证明该汉字并没有对应的小篆字体。等待下一步进行归类并放入数据库。