使用ddddocr解决某汽车论坛网站字体反爬

最新推荐文章于 2024-05-18 09:46:46 发布

渔滒

最新推荐文章于 2024-05-18 09:46:46 发布

阅读量1.3k

点赞数 2

文章标签： ocr 深度学习

本文链接：https://blog.csdn.net/zjq592767809/article/details/122426907

版权

链接地址：aHR0cHM6Ly9jbHViLmF1dG9ob21lLmNvbS5jbi9iYnMvdGhyZWFkLzIyMTRiYWZhMDIyMGY4MGQvMTAxMTIzODE0LTEuaHRtbA==

在这里插入图片描述

打开网页后，需要获取文章的正文内容，如果使用常规的办法，获取到的是存在乱码的内容

在这里插入图片描述
可以看到有少许的文字出现乱码，然后在网页f12 查看

在这里插入图片描述
其网页中确实不是常规的文字，而是这个网站的自定义字体。如果直接忽略这个文字，肯定是不可行的，得想办法把图片变成文字。

在源代码中搜索【tff】可以找到字体文件的地址，下载这个字体文件下来
在这里插入图片描述
然后在网站 http://font.qqe2.com/index-en.html 中可以进行在线查看

在这里插入图片描述

那么尝试先使用python把ttf文件转换为一个一个的图像

在这里插入图片描述
在转换的时候需要注意，尽量把需要识别的内容放置在中间，并在在周边留有一定的空白，这样可以提高识别的准确率。

接下来就是要ocr来将图片转换为文字了，这里我是用的是ddddocr，安装相对来说很方便

pip install ddddocr

接着把每一张图片放到ddddocr这个模型去识别，就可以得到每一张图片的文字内容，最后得到一个文件名个文字的映射关系，是用方法也非常简单。

Oocr = ddddocr.DdddOcr()  # 初始化识别模型
text = Oocr.classification(img_bytes=image_io)  # 把图片的字节放到模型中，返回识别的文字

最后再请求一次，然后通过ocr识别得到的映射关系替换自定义字体

在这里插入图片描述
可以看到识别非常的准备，完美解决了字体反爬的问题

关注