大众点评评分爬取-图文识别ORC

十一了，没出去玩，因为老婆要加班，我陪着。
晚上的时候她说要一些点评的评分数据，我合计了一下scrapy request一下应该很好做，就答应下来了，感觉没什么难度嘛。
但是呢没那么简单。需要人验证的问题就不说了，我觉得这个我也解决不了，比较吸引我的是他的评分展现方式。
大众点评这块展示用的是图片，css offset方式

selector那套行不通
这里我使用的 tesseract 图片文字识别
下面是大概流程

爬取页面

这里是使用Selenium进行页面访问，然后截屏
代码片段

 opt = Options() opt.add_argument('--headless') self.driver = webdriver.Chrome(executable_path='/Users/xiangc/bin/chromedriver', options=opt) self.wait = WebDriverWait(self.driver, 10) self.driver.get('http://www.dianping.com/shop/4227604') self.driver.save_screenshot('image{}.png'.format(url_id)) 

截屏页面

截取需要部分

代码片段如下，这里是hardcode，惭愧

 cropped_img = im.crop((239, 500, 239 + 780, 500 + 63)) cropped_img.save('crop{}.png'.format(url_id)) 

图片预处理

图片预处理流程如下

• 清理噪点，如果一点四周只有一个非白点则为噪点，去掉
• 非空白点着色，色值大于200的点直接给白色
• 提高图片对比度

 def get_color(image, x, y): if isinstance(image, type(Image.new('RGB', (0, 0), 'white'))): r, g, b = image.getpixel((x, y))[:3] else: r, g, b = image[x, y] return r, g, b def is_noise(image, x, y): white_count = 0 for i in range(0, x + 2): for j in range(0, y + 2): r, g, b = get_color(image, i, j) if (r, g, b) == (255, 255, 255): white_count += 1 return white_count >= 7 def clear_noise(image, new_pixels): w, h = image.size clear_count = 0 for i in range(w): for j in range(h): r, g, b = get_color(image, i, j) if r != g != b and is_noise(image, i, j): clear_count += 1 print(clear_count) new_pixels[i, j] = (255, 255, 255) else: new_pixels[i, j] = (r, g, b) return clear_count def clear_color(new_pixels, w, h): for i in range(w): for j in range(h): r, g, b = get_color(new_pixels, i, j) if np.average((r, g, b)) > 200: new_pixels[i, j] = (255, 255, 255) else: new_pixels[i, j] = (0, 0, 0) def pre_image(full_path): image = Image.open(full_path) w, h = image.size new_image = Image.new('RGB', (w, h), 'white') new_pixels = new_image.load() clear_count = clear_noise(image, new_pixels) while clear_count > 0: clear_count = clear_noise(new_pixels, new_pixels) print(clear_count) if clear_count == 0: break clear_color(new_pixels, w, h) # 对比度增强 enh_img = ImageEnhance.Contrast(new_image) contrast = 3 image_contrasted = enh_img.enhance(contrast) dir_name = os.path.dirname(full_path) file_name = os.path.basename(full_path) new_file_path = os.path.join(dir_name, 'sharped' + file_name) image_contrasted.save(new_file_path) return new_file_path 

图片文字识别

文字识别是用tesseract
注意这里加了白名单提高准确率
chi为我自己训练的识别库，训练集为10个

 new_file_path = imgutils.pre_image('crop{}.png'.format(url_id)) result = pytesseract.image_to_string( image=new_file_path, lang='chi', config='--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789评论服务:费用设施环境条.元' 

结果

还凑合哦

训练辅助脚本

下面是一些脚本集合

• 生成box文件
• 批量图片处理
• 批量训练生成训练结果文件
• 批量图片格式转换png->tiff

都是js和python脚本，比较简单哈~

gitee链接

爬虫代码就不放了哈~写的太丑~目前也没时间做代码优化。
由于python注释和Markdown的代码tag重复了，注释都去掉了，相信大家能看懂哈~