小猪的Python学习之旅 —— 13.文字识别库pytesseract初体验

小猪的Python学习之旅 —— 13.文字识别库pytesseract初体验

标签：Python

---

引言

度过了短暂的春节假期，又要开始继续搬砖了，因为还处于节后
综合征，各种散漫，不想看任何代码相关的东西，根本挤不出学习热情…
恰逢前几天，公司的UI妹子安利了一个卖萌的新番：小木乃伊到我家

就是图中的这四只小东西，敲可爱的说，分别叫：

小伊(木乃伊)，可尼(小鬼，牛)，啊勇(龙)，胖嘟嘟

UI妹子尤其喜欢可尼，是挺萌的，突然想找些相关的手机或者电脑壁纸，
壁纸没找到，却在 小木乃伊到我家吧 里找到了一些自制的表情包：
https://tieba.baidu.com/p/5522091060

表情都很有趣嘛，写个脚本把图片都爬下来？走一波流程：

Step 1：Network抓包看下返回的数据是否和Element一致，
或者说有我们想要的数据，而不是通过JS黑魔法进行加载的；

复制下第一个图的图片链接，到Network选项卡里的Response
里查找以下，嗯，找得到，可以：

Step 2：滚动到底，抓包没有发现Ajax动态加载数据的踪迹

Step 3：点击第二页，抓包发现了Ajax加载的痕迹！！！

同样拿第一个图的url搜下，同样可以找到

三个参数猜测pn为page_number，即页数，PostMan或者自己
写代码模拟请求，记得塞入Host和X-Requested-With，验证pn=1
是否为第一页数据，验证通过，即所有页面数据都可以通过这个
接口拿到；

Step 4：先加载拿到末页是第几页，然后走一波循环遍历即可
解析数据获得图片url，写入文件，使用多个线程进行下载
比较简单，就不详解了，直接给出代码，看不懂的自己复习去：

# 抓取百度贴吧某个帖子里的所有图片
import coderpig_n as cpn
import requests
import time
import threading
import queue

tiezi_url = "https://tieba.baidu.com/p/5522091060"
headers = {
    'Host': 'tieba.baidu.com',
    'User-Agent': cpn.user_agent_dict['chrome'],
}

pic_save_dir = 'output/Picture/BaiduTieBa/'
pic_urls_file = 'tiezi_pic_urls.txt'
download_q = queue.Queue()  # 下载队列


# 获得页数
def get_page_count():
    try:
        resp = requests.get(tiezi_url, headers=headers, timeout=5)
        if resp is not None:
            soup = cpn.get_bs(resp.text)
            a_s = soup.find("ul", attrs={'class': 'l_posts_num'}).findAll("a")
            for a in a_s:
                if a.get_text() == '尾页':
                    return a['href'].split('=')[1]
    except Exception as e:
        print(str(e))


# 下载线程
class PicSpider(threading.Thread):
    def __init__(self, t_name, func):
        self.func = func
        threading.Thread.__init__(self, name=t_name)

    def run(self):
        self.func()


# 获得每页里的所有图片
def get_pics(count):
    while True:
        params = {
            'pn': count,
            'ajax': '1',
            't': int(time.time())
        }
        try:
            resp = requests.get(tiezi_url, headers=headers, timeout=5, params=params)
            if resp is not None:
                soup = cpn.get_bs(resp.text)
                imgs = soup.findAll('img', attrs={'class': 'BDE_Image'})
                for img in imgs:
                    cpn.write_str_data(img['src'], pic_urls_file)
                return None
        except Exception as e:
            pass
    pass


# 下载线程调用的方法
def down_pics():
    global download_q
    while not download_q.empty():
        data = download_q.get()
        download_pic(data)
        download_q.task_done()


# 下载调用的方法
def download_pic(img_url):
    while True:
        proxy_ip = {
            'http': 'http://' + cpn.get_dx_proxy_ip(),
            'https': 'https://' + cpn.get_dx_proxy_ip()
        }
        try:
            resp = requests.get(img_url, headers=headers, proxies=proxy_ip, timeout=5)
            if resp is not None:
                print("下载图片:" + resp.request.url)
                pic_name = img_url.split("/")[-1]
                with open(pic_save_dir + pic_name, "wb+") as f:
                    f.write(resp.content)
                return None
        except Exception as e:
            pass


if __name__ == '__main__':
    cpn.is_dir_existed(pic_save_dir)
    print("检索判断链接文件是否存在：")
    if not cpn.is_dir_existed(pic_urls_file, mkdir=False):
        print("不存在，开始解析帖子...")
        page_count = get_page_count()
        if page_count is not None:
            headers['X-Requested-With'] = 'XMLHttpRequest'
            for page in range(1, int(page_count) + 1):
                get_pics(page)
        print("链接已解析完毕！")
        headers.pop('X-Requested-With')
    else:
        print("存在")
    print("开始下载图片~~~~")
    headers['Host'] = 'imgsa.baidu.com'
    pic_list = cpn.load_list_from_file(pic_urls_file)
    threads = []
    for pic in pic_list:
        download_q.put(pic)
    for i in range(0, len(pic_list)):
        t = PicSpider(t_name='线程' + str(i), func=down_pics)
        t.daemon = True
        t.start()
        threads.append(t)
    download_q.join()
    for t in threads:
        t.join()
    print("图片下载完毕")

运行结果：

接着在和UI妹子聊天的时候就可以拿这些表情来斗图了，但是问题来了，
总共有165个图，我每次想说什么都要打开图片一个个看文字是否
符合场景，然后才发，有点呆，而且浪费时间，有没有什么快点
找到表情的方法呢？

答：直接把表情里的文字作为图片名不就好了，直接文件搜索搜关键字；

但是问题又来了，一张张去改文件名？多呆哦！

突然想起之前看过一篇头脑王者答题辅助脚本的文章，就是
利用OCR文字识别，把识别出来的文字丢百度上搜索，选项频度最高
的一般就是正确答案，可以试一波这个套路，谷歌为我们提供了一个
免费的ORC文字识别引擎：Tesseract
仓库地址：https://github.com/tesseract-ocr/tesseract

---

1.装一波环境

稳定版本是3.0，4.0版本还处于研发，一开始以为新版的肯定牛逼
一些，装了4.0的发现对于中文的识别效率超低，差太远了，后来
又换回了3.0版本，情况稍微好一些，当然可以通过其他方法提高
中文识别率，图片裁剪，调节对比度，黄底黑字，自己训练语言库等，
不是本节的学习范畴，本节写个简单的例子了解下怎么用而已～

更多可移步到：ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库)
各个版本介绍：https://github.com/tesseract-ocr/tesseract/wiki/ReleaseNotes

---

Ubuntu 14.04 环境安装(其他系统环境后续用到再补充…)

1.安装tesseract-ocr

sudo apt-get install tesseract-ocr
tesseract --version

2.安装pytesseract与Image

sudo pip install pytesseract
sudo pip install Image

3.下载tesseract中文简体字库

默认安装后是不带中文简体库的，官方仓库走一波：
https://github.com/tesseract-ocr/tessdata
记得选择版本Tag，3.0的tesseract-ocr是用不了4.0的字库的！！！
如果你下错了，调用的时候会报3.0用不了4.0的字库的错误！！！

这两个就是对应中文简体与繁体：

字库下载后需要放到下面的目录下：/usr/share/tesseract-ocr/tessdata
然后你发现字库文件无法拷贝到该目录下，因为需要权限，这里可以通过
命令行拷贝一波：

sudo cp '/home/jay/下载/chi_sim.traineddata' /usr/share/tesseract-ocr/tessdata

前面是源文件，后面是拷贝到哪个目录下。

好了，到此就准备完成了，接着写个简单的程序来识别一波！

---

2.识别一波图片

代码忒简单，创建一个Image对象，调用下pytesseract.image_to_string()方法
就能识别文字了，参数依次是Image对象，识别语言类型，chi_sim中文简体

import pytesseract
from PIL import Image

image = Image.open('1.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text.replace(" ", ""))

随手截一波掘金首页的分类栏：

运行一波：

识别结果有点感人，调一张表情图试试：

识别结果：

？？？都识别出来什么东西，后面试了几张图片我还发现不止识别
错误，有时连字都识别不出来…在不自己去训练字体库的情况下，
中文识别率真心感人，不过最大的有点优点还是：Tesseract免费。
识别数字或者英语的时候，还凑合，随手复制一段英文：

设置下lang=’eng’，输出结果：

免费的识别率低，试试收费的怎样，百度云OCR

---

3.试试百度云OCR

收费，每天免费500次，拿来完成我们这个图片命名的小脚本足矣！
官方文档：文字识别 - Python SDK文档

配置流程：

1.开通文字识别服务：https://cloud.baidu.com/product/ocr.html

2.创建一个应用，然后记下API Key 和 Secret Key 程序里要用

3.点右上角->用户中心，抄下自己的用户ID

4.pip命令安装一波

sudo pip install baidu-aip

编写简单代码：

from aip import AipOcr

# 新建一个AipOcr对象
config = {
    'appId': 'XXX',
    'apiKey': 'YYY',
    'secretKey': 'ZZZ'
}
client = AipOcr(**config)


# 读取图片
def get_file_content(file_path):
    with open(file_path, 'rb') as fp:
        return fp.read()

# 识别图片里的文字
def img_to_str(image_path):
    image = get_file_content(image_path)
    # 调用通用文字识别, 图片参数为本地图片
    result = client.basicGeneral(image)
    # 结果拼接返回
    if 'words_result' in result:
        return '\n'.join([w['words'] for w in result['words_result']])


if __name__ == '__main__':
    print(img_to_str('1.png'))

试试上面掘金的那个，输出结果：

啧啧，可以的，试试搞基那个表情？

嗯，还是有点小错误，在文档里找到：

把basicGeneral 改为 basicAccurate，结果：

啧啧，完美识别，稍微慢了一点点，接下来把代码完善下，
把所有的图片重命名一波咯！

---

4.实战：利用百度OCR识别自动修改文件名

遍历文件夹，获得所有的图片路径，然后文字识别一波，获得结果集
里长度最长的字符串作为文件名，能识别的就修改下文件名，完整代码
如下：

import os
from aip import AipOcr

# 新建一个AipOcr对象
config = {
    'appId': 'XXX',
    'apiKey': 'YYY',
    'secretKey': 'ZZZ'
}
client = AipOcr(**config)

pic_dir = r"/home/jay/图片/BaiduTieBa/"


# 读取图片
def get_file_content(file_path):
    with open(file_path, 'rb') as fp:
        return fp.read()


# 识别图片里的文字
def img_to_str(image_path):
    image = get_file_content(image_path)
    # 调用通用文字识别, 图片参数为本地图片
    result = client.basicGeneral(image)
    # 结果拼接返回
    words_list = []
    if 'words_result' in result:
        if len(result['words_result']) > 0:
            for w in result['words_result']:
                words_list.append(w['words'])
            file_name = get_longest_str(words_list)
            print(file_name)
            os.rename(image_path, pic_dir + str(file_name).replace("/", "") + '.jpg')


# 获取字符串列表中最长的字符串
def get_longest_str(str_list):
    return max(str_list, key=len)


# 遍历某个文件夹下所有图片
def query_picture(dir_path):
    pic_path_list = []
    for filename in os.listdir(dir_path):
        pic_path_list.append(dir_path + filename)
    return pic_path_list


if __name__ == '__main__':
    pic_list = query_picture(pic_dir)
    if len(pic_list) > 0:
        for i in pic_list:
            img_to_str(i)

运行结果：

要注意一点，高精度版免费只有50次，我一开始不知道，后面跑程序
突然卡住一直不动，这点要注意，后面还是用回了普通模式，所以有
些文件名并不完全是对的，就调调API的事，非常简单，项目有极大
刚需要用到文字识别的自行去官网了解吧～

---

5.小结

本节简单的了解了一下pytesseract这个免费的OCR识别库，
对于中文的识别率不高，后面试了下百度云OCR，顺道写了
一个简单的实战项目，都比较简单，那么本节就到这里啦～

---

来啊，Py交易啊

想加群一起学习Py的可以加下，智障机器人小Pig，验证信息里包含：
Python，python，py，Py，加群，交易，屁眼 中的一个关键词即可通过；

验证通过后回复 加群 即可获得加群链接(不要把机器人玩坏了！！！)～～～
欢迎各种像我一样的Py初学者，Py大神加入，一起愉快地交流学♂习，van♂转py。

---