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。
网友评论