python3+tesseract获取美股PEG图像上的数据

1. 缘起

投资了一点美股，总要参考个股资料的（虽然巴菲特老人家觉得分析技术资料没有用），发现一个一个查找，效率太低了。于是想起来用Python写个爬虫程序。话说，不偷懒的码农不是好的码农。发些一般股票app上没有PEG指标（参考股神彼得林奇相关资料）！但是Nasdaq官网上有。

举个栗子：阿里巴巴PEG如下

阿里巴巴PEG

PEG的值竟然是图片形式的！所以任务就是下载一堆图片，然后识别图片上文字（OCR），马上着手行动。

2. 读取文本

自选股列表：

---

读取文本代码：

3. 下载PEG图片

4. 裁剪图像，获取ROI区域

用到OpenCV  Python版本

效果如下：

5. 分割数字

直接用tesseract识别，出现 Empty page的错误，猜想tesseract不能处理噪声或者干扰图像，

所以需要对图像进行预处理，而且要把数字图像分割出来。

用到cv2.SimpleBlobDetector_create()

效果如下：

6. 用tesseract OCR识别数字

用到下列命令

tesseract filename -psm 7 stdout digits

digits表示只识别数字

7. 最终结果如下：

启动代码

python3 mystock.py 

基本上满足需求，不算完美，0.99 识别为0.55，识别率不算太高，后续加入训练数据，应该可以提升识别率。一件看似简单的事情，做到极致还是不容易的。

8. 完整代码见GitHub

https://github.com/ErikZhou/python-ocr