大众点评评分爬取-图文识别OCR

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方式大众点评评分爬取-图文识别OCR-LMLPHP

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

大众点评评分爬取-图文识别OCR-LMLPHP

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))

大众点评评分爬取-图文识别OCR-LMLPHP

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

大众点评评分爬取-图文识别OCR-LMLPHP

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~

sharpcx