OCR (Optical Character Recognition,光学字符识别)我们可以通过渲染工具 Splash,根据需求将网页中所需的部分数据截图保存,然后再用光学字符识别的手段从截图中提取文字。
1.截取图片的代码
function main(splash, args)
assert(splash:go(args.url))
assert(splash:wait(0.5))
total_png = splash:select(‘content.box .stonefont’):png()
return {
– 将图片信息以键值对的形式返回
total = total_png
}
end
2.在爬虫项目中,将文件对象传给PyTesseract 库
import requests
import json
#Splash 接口
render = ‘实际的url:8050/execute’
url = ‘实际url
#需要执行的命令
script = “”"
function main(splash)
assert(splash:go(’%s’))
assert(splash:wait(0.5))
total_png = splash:select(’.content.box .stonefont’):png()
return {
– 将图片信息以键值对的形式返回
total = total_png
}
end
“”" % url
#设置请求头
header = {‘content-type’: ‘application/json’}
#按照Splash规定提交命令
data = json.dumps({“lua_source”: script})
#向Splash接口发出请求并携带上请求头和命令参数
resp = requests.post(render, data=data, headers=header)
#将Splash返回结果赋值给
images = resp.json()
#把图片保存到Local
import base64
import os
import pytesseract
for key, value in images.items():
# Splash返回的图片使用了base64进行编码,所以我们需要解码
image_body = base64.b64decode(value)
filename = ‘%s.png’ % key
path = os.path.join(os.path.dirname(os.path.abspath(file)), filename)
with open(filename, ‘wb’) as f:
f.write(image_body)
(3) 使用Py
3.Tesseract 库识别指定的图片。
print(pytesseract.image_to_string(filename))