tesseract-OCR 图像识别插件 node-tesr 了解一下？

前言

该项目诞生于一次爬虫事件，当时一时兴起想把某租房网信息爬下来，前面进行的还是挺顺畅的，但是在租房价格信息上被摆了一道，房屋的价格信息为一个数字图片为底加上偏移量来显示的，和雪碧图一样的实现方式，当然，其中加上了一点小算法，具体如下。

获取数字图片信息和 offset 信息
- { "offset": [ [1, 4, 2, 8], [5, 1, 7, 8], [5, 1, 3, 8], ... ] }
由 offset 信息加上一点算法得出 position 信息
- （background-position: xxx px）
以数字图片为背景，加上偏移，append 到价格信息他应该在地方

略一思索，倒也不是什么大事儿，只要加个识别的过程再辅以算法即可。

在实行图像识别的过程中借助到了 google 的开源软件 tesseract-OCR，因为爬虫环境是 node，遂写了一个适用于 tesseract-OCR 最新版本的 node 插件，后续还添加了命令行使用的功能。

演示

命令行使用 --- 1

命令行使用 --- 2

模块使用 --- 1

项目在这里

如果觉得我对你有帮助，不妨给我个 star 吧，蟹蟹~

github node-tesr

正文

命令行使用

想要使用图像识别首先要确保电脑中已经安装了 tesseract-OCR 点击下载。

想要使用命令行建议全局安装

npm install node-tesr -g

tesr --from=./test/output.jpg --to=./output.txt

参数说明

--from 需要识别的图片路径（必须）
--to 若传入此参数会将识别的文字输出到该文件下（非必须，默认会将识别内容输出到命令行）
--l 识别语言，对中文稍微做了点处理，识别简体 --l=chs，识别繁体 --l=cht（非必须，默认为 eng）
--p 见 lib/config.js 里的说明（非必须，默认为 3 自动模式）
--o 见 lib/config.js 里的说明（非必须，默认为 3 自动模式）

模块引入使用

npm install node-tesr

const tesseract = require('node-tesr')

tesseract('./output.jpg', { l: 'eng', oem: 3, psm: 3 }, function(err, data) {
  // 此处获得识别内容
  console.log(data)
})

// 或者如下也可
tesseract('./output.jpg', function(err, data) {
  // 此处获得识别内容
  console.log(data)
})

后语

效果

经测试效果还是不错的，但是有一点需要注意一下，上面提到该网站的数字图片是透明底的，测试发现 tesseract-OCR 对透明底的似乎无解，这个时候就需要结合一下 images 这个 node 插件

let images = require('images')
images(500, 100)
  .fill(0xff, 0xff, 0xff, 1)
  .draw(images('demo.png'), 10, 10)
  .save('output.jpg', {
    quality: 100
  })

将透明底填充为白底即可正常识别

如何提高我的图像识别准确率

老板！我的图像识别率很低怎么破！

来，看这里，这个可以提高图像识别率。

识别算法学习

待办

增加网络地址图片也可识别的功能
使用 then 来处理回调

页脚

代码即人生，我甘之如饴。

我在这里 gayhub@jsjzh 欢迎大家来找我玩儿。