资料采集怕遇到图片，只能看不能复制怎么办。手动提取文本需要大量工作。比如下图，某楼盘的一房一价表，如何找到单价低的房子呢？肉眼很难找到，电脑能识别文字，然后分析数值信息吗？先提取图片中的单价，然后生成图片：可以用python实现，使用现在流行的OCR图片识别。主要思想是利用机器学习的方式，通过已有的图片，人工训练一个图像识别模型。具体步骤如下：1.对图片进行预处理，使计算机更容易识别(1)对图片进行灰度处理，使用open-cv库对图片进行处理。使用如下图所示的变灰图像，可以消除干扰信息，使识别更加稳定。（2）划分图片将图片划分成小方块，一是为了提高识别准确率，二是方便以表格的形式存储数据。可以设置参数，将图片按照坐标系裁剪成小方块，如下图，保存为jpg格式。2.建立图像识别模型(1)将分割后的小方块图片合并成tiff文件下载jTessBoxEditor，打开jTessBoxEditor.jar，使用tools下的合并tiff工具将图片合并成tiff文件。(2)使用现有模型初步识别tiff文件，下载安装tesseract，并配置环境变量，将Tesseract-OCR和tessdata的路径添加到环境变量下的路径中。Tesseract自带图像识别模型，比如简体中文识别模型chi_sim.traineddata，英文识别模型eng.traineddata。这些模型可以在网上下载并放入tessdata中使用。然后进入tiff所在的文件夹。在命令窗口输入：tesseract***.tif***-l+++-psm7batch.nochopmakebox，回车生成box文件。其中，***是tif的文件名，+++是要生成的traindata的文件名。（3）使用jTessBoxEditor调整tiff和box文件打开jTessBoxEditor.jar，点击boxeditor中的打开按钮，打开需要编辑的tif文件。编辑好后保存生成box文件。保存在同一个文件夹中。（4）使用tiff和box文件生成模型在tiff和box文件中，在命令窗口中输入以下代码，最终生成模型（traindata文件）。上面的脚本也可以写成bat文件，运行脚本生成traindata，最后只需要将traindata复制到tessdata中就可以使用模型了。3.图像识别模型安装和训练完成后，模型必须在python中使用。安装pytesseract，找到pytesseract.py文件，打开编辑器，将“tesseract_cmd='tesseract'”修改为tesseract的安装路径（如C:\ProgramFiles\Tesseract-OCR\tesseract）。因为模型是用灰化图像训练的，所以也使用灰化来进行识别。4.优化图像识别模型。如果在使用过程中出现错误，可以保存并添加到训练库中，以优化图像识别模型。一段时间后，一般识别错误的图片。累加成tif文件。注意：类似错误已经选择了几个标记，训练库尽量小而精。以上就是本次分享的全部内容。觉得文章还不错的话，请关注公众号：Python编程学习圈，每日干货分享，发送“J”还能领取大量学习资料。或者去编程学习网了解更多编程技术知识。
