微博热搜读取（二）

仿照上个例子的做法，用python截屏加上tesseract文字识别，读取新浪微博热搜榜内容并保存到文本。

图一 微博热搜榜

python截取全屏，然后细分ROI区域进行逐一识别，直接贴代码吧：

# -*- coding:utf-8 -*-

import cv2

import win32gui, win32ui, win32con, win32api

import os

def window_capture(filename):

  x=0

  y=0

  w=1920

  h=1080

  hwnd = 0

  hwndDC = win32gui.GetWindowDC(hwnd)

  mfcDC = win32ui.CreateDCFromHandle(hwndDC)

  saveDC = mfcDC.CreateCompatibleDC()

  saveBitMap = win32ui.CreateBitmap()

  saveBitMap.CreateCompatibleBitmap(mfcDC, w, h)

  saveDC.SelectObject(saveBitMap)

  saveDC.BitBlt((x, y), (w, h), mfcDC, (0, 0), win32con.SRCCOPY)

  saveBitMap.SaveBitmapFile(saveDC, filename)

window_capture("window_capture.jpg")

img=cv2.imread("window_capture.jpg",cv2.IMREAD_GRAYSCALE)

ROI=img[501:951,540:1210]

cv2.imshow("OCR_data",ROI)

cv2.waitKey(0)

cv2.imwrite("OCR_data.jpg",ROI)

for i in range(1,11):

    Top10=ROI[(i-1)*45:i*45,100:500]

    cv2.imshow("Topic",Top10)

    cv2.waitKey()

    cv2.imwrite("Top10.jpg",Top10)

    os.system("tesseract Top10.jpg Top10 -l chi_sim+eng")

    f=open("out.txt","a")

    g=open("Top10.txt","r")

    content=g.read()

    f.write(content)

    g.close()

    f.close()

下面是截取的主ROI，需要识别的内容都包括在里面：

图二 ROI截取内容

下面是分段截取的图片：

图三 每个Item截取内容

下面是文本文件保存的数据：

图四 保存的文本内容

可以看出，大部分的爬取效果都比较不错，唯独少部分数据可能会存在误判，不影响我们从宏观上取看整个网络流行趋势关注点的性质内容。这里截图时坐标定位是个非常麻烦的问题，如果不是因为在学习python的openCV模块，截图部分用扣扣截图简直不能太easy。注意图中的图其实不是属于感兴趣内容，数据清洗时要洗掉，还有无意义的几个误判英文。

总的来说，来时做成了一件事情。但是是一种比较笨拙的方法，花时间较长而且识别效果也不好。

但是这里引入了文本识别的基本方法，tesseract是python非常友好的识别工具，其还提供字体训练的一系列方案，日积月累的字体建库可以实现个人手写体的识别，是一种非常值得学习的事物。