Python selenium模块对网页进行截屏保存图片 & easyocr模块识别提取图片文字

一、selenium对网页截图，Image 定位二次精准截图

第三方模块“selenium”用于Python自动化与Web浏览器交互。

1.安装模块 pip install selenium      pip install Pillow

2.安装浏览器对应版本的驱动器

谷歌查看浏览器版本 访问“chrome://version/”

谷歌驱动器下载地址 http://chromedriver.storage.googleapis.com/index.html

注意将下载解压后的驱动器放到系统环境变量PATH的路径下 

3. 代码如下：

# -*- coding:utf-8 -*-
from selenium import webdriver
#import easyocr
import time
from PIL import Image

def screenshots(): # 访问网页截屏
    driver = webdriver.Chrome() # 初始化一个谷歌浏览器实例
    driver.maximize_window() # 打开最大窗口

# option = webdriver.ChromeOptions()
# option.add_argument('headless')  # headless静默模式不弹出浏览器（也用于无GUI环境下）
# # 打开chrome浏览器
# driver = webdriver.Chrome(chrome_options=option)

    driver.get("http://quote.eastmoney.com/sh600797.html") # 访问网页
    js = "var q=document.documentElement.scrollTop=500" # 滚动条下拉500个像素
    driver.execute_script(js) # 执行滚动条下拉500个像素操作
    time.sleep(1)
    driver.get_screenshot_as_file(
        r"C:\Zzlong\%s.png" % time.strftime('%Y-%m-%d %H-%M', time.localtime(time.time()))
    )  # 截图保存为C:\Zzlong\2022-02-20 17-30.png
    driver.quit() #关闭浏览器

# 另一种控制滚动条的方法
# driver.execute_script("window.scrollBy(0,1000)") 或 driver.execute_script("window.scrollTo(0,1000)")
# x坐标:正数则向右滑动的像素值，负数则向左滑动的像素值 | y坐标:正数则向下滑动的像素值，负数则向上滑动的像素值

# imgelement = driver.find_element_by_id('rgt1')
# imgelement = driver.find_element_by_class_name('line24')
# location = imgelement.location
# print(location) # {'x': 1104, 'y': 917}
# size = imgelement.size
# print(size) # {'height': 12, 'width': 26}

def crop():  # 定位 二次截图
    picture = Image.open(
        r"C:\Zzlong\%s.png" % time.strftime('%Y-%m-%d %H-%M', time.localtime(time.time()))
    )  # 打开第一次的截图
    picture = picture.crop((1320,520,1450,550)) # 定位二次截图
    # 注意: crop截图规则，(宽 - x坐标)为截图的宽位置 (高 - y坐标)为截图的高位置，坐标(0,0)位于左上角
    picture.save(
        r"C:\Zzlong\img%s.png" % time.strftime('%Y-%m-%d %H-%M', time.localtime(time.time()))
    ) # 保存图片

# print(picture.size)  # 输出宽、高 (1920, 888)
# picture = picture.crop((0, 0, 1920, 888)) # 截取全图(x坐标，y坐标，宽，高)

二、easyocr 提取图片文字

 Python中有一个不错的OCR库-EasyOCR，在GitHub已有9700star。它可以在python中调用，用来识别图像中的文字，并输出为文本。 https://github.com/JaidedAI/EasyOCR

安装过程比较简单，使用pip或者conda安装。

pip install easyocr

如果用的PyPl源，安装起来可能会耽误些时间，建议大家用清华源安装，几十秒就能安装好。

使用方法

EasyOCR的用法非常简单，分为三步:

# 导入easyocr
import easyocr
# 创建reader对象
reader = easyocr.Reader(['ch_sim','en']) 
# 读取图像
result = reader.readtext('test.jpg')
# 结果
print(result)


# 使用easyocr报错“Unknown C++ exception from OpenCV code，CUDA not available - defaulting to CPU. Note: This module is much faster with a GPU. ”
# Python与CUDA版本不对应，导致Python安装的OpenCV版本与CUDA版本不照应
# pip install opencv-python==4.3.0.38 -i https://pypi.tuna.tsinghua.edu.cn/simple

这段代码有一段参数['ch_sim','en']，这是要识别的语言列表（所有语言列表放在文章最下方），因为路牌里有中文和英文，所以列表里添加了ch_sim（简体中文）、en（英文）。

识别文字的准确率还是很高的，接下来对文字部分进行抽取。

for i in result:
    word = i[1]
    print(word)

三、利用百度 AI 开发平台的 OCR 文字识别 API 也可以识别并提取图片中的文字。

首先，我们需要一个百度账号，然后打开百度AI开放平台（https://ai.baidu.com/）并登陆，点击“控制台”，进入左边栏中的“文字识别”，创建一个应用，并记住你的AppID，API Key和Secret Key。

下面为 百度AI帮助文档提取图片文字示例（此代码使用的是：通用文字识别高精度版 每月免费赠送200次,有QPS每分钟并发限制）：

https://ai.baidu.com/ai-doc/OCR/Pkrwx9ye4

# coding=utf-8

import sys
import json
import base64


# 保证兼容python2以及python3
IS_PY3 = sys.version_info.major == 3
if IS_PY3:
    from urllib.request import urlopen
    from urllib.request import Request
    from urllib.error import URLError
    from urllib.parse import urlencode
    from urllib.parse import quote_plus
else:
    import urllib2
    from urllib import quote_plus
    from urllib2 import urlopen
    from urllib2 import Request
    from urllib2 import URLError
    from urllib import urlencode

# 防止https证书校验不正确
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

API_KEY = 'XXXXXX'   ### 需修改

SECRET_KEY = 'XXXXXX'   ### 需修改

OCR_URL = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"


"""  TOKEN start """
TOKEN_URL = 'https://aip.baidubce.com/oauth/2.0/token'


"""
    获取token
"""
def fetch_token():
    params = {'grant_type': 'client_credentials',
              'client_id': API_KEY,
              'client_secret': SECRET_KEY}
    post_data = urlencode(params)
    if (IS_PY3):
        post_data = post_data.encode('utf-8')
    req = Request(TOKEN_URL, post_data)
    try:
        f = urlopen(req, timeout=5)
        result_str = f.read()
    except URLError as err:
        print(err)
    if (IS_PY3):
        result_str = result_str.decode()


    result = json.loads(result_str)

    if ('access_token' in result.keys() and 'scope' in result.keys()):
        if not 'brain_all_scope' in result['scope'].split(' '):
            print ('please ensure has check the  ability')
            exit()
        return result['access_token']
    else:
        print ('please overwrite the correct API_KEY and SECRET_KEY')
        exit()

"""
    读取文件
"""
def read_file(image_path):
    f = None
    try:
        f = open(image_path, 'rb')
        return f.read()
    except:
        print('read image file fail')
        return None
    finally:
        if f:
            f.close()


"""
    调用远程服务
"""
def request(url, data):
    req = Request(url, data.encode('utf-8'))
    has_error = False
    try:
        f = urlopen(req)
        result_str = f.read()
        if (IS_PY3):
            result_str = result_str.decode()
        return result_str
    except  URLError as err:
        print(err)

if __name__ == '__main__':

    # 获取access token
    token = fetch_token()

    # 拼接通用文字识别高精度url
    image_url = OCR_URL + "?access_token=" + token

    text = ""

    # 读取测试图片
    file_content = read_file('./text.jpg')   ##### 需修改

    # 调用文字识别服务
    result = request(image_url, urlencode({'image': base64.b64encode(file_content)}))

    # 解析返回结果
    result_json = json.loads(result)
    for words_result in result_json["words_result"]:
        text = text + words_result["words"]

    # 打印文字
    print(text)
#Author
#XGmhC18eVP1Fo1ECX911dtOzwX
#XSFG15esdSADWQD78SDW578456swerSDDX
#XPQ2ukO4Aec2PTsgQU9UkiEKYciavlZk8X

四、使用pytesseract进行识别图片文字

1.环境配置

        第三方库：PIL、pytesseract、

        识别引擎tesseract-ocr下载 https://tesseract-ocr.github.io/tessdoc/Home.html ，windows选择此exe方式安装。

        要识别中文，ocr引擎要下载一个中文包 "chi_sim" https://tesseract-ocr.github.io/tessdoc/Data-Files 并放进Tesseract-OCR\tessdata里面。

2. pip install pytesseract     pip install Pillow

      1. 修改"pytesseract.py"中"tesseract_cmd"的路径为识别引擎的路径

        2. 识别图片文字（经测试 识别文字效果不太好，识别数字还可以）

import pytesseract
from PIL import Image
text=pytesseract.image_to_string(
    Image.open(r'C:\Zzlong\hk-0-First.png'),lang='chi_sim'
) #调用识别引擎识别
print(text)

注：

以下为 easyocr 模块支持的语言列表：