数据采集就怕遇到图片，只能看不能复制怎样办。手动将文字提取出来，要耗费很大的工作量。例如下图，某楼盘的一房一价表，怎样样发现单价低位的房子？光凭肉眼很难发现吧，能否让计算机停止文字的辨认，然后再对这些数值型信息停止数据分析。
首先把图片中的单价提取出来，
进而生成图像：
用python就可以完成，采用如今盛行的OCR图像辨认。次要思绪是运用机器学习形式，经过已有图片手动训练出一个图像辨认模型，详细步骤如下：
一、将图片预处理，更方便计算机辨认
（一）把图像灰化
运用open-cv库对图片停止处理。
运用灰化后的图片，如下图，扫除干扰信息，能让辨认愈加波动。
（二）把图片分割
将图片分割成小方块，一是提高辨认精度，二是方便将数据储存为表格方式。可以设定好参数，根据坐标系把图片裁剪成一个个小方块，如下图，储存为jpg格式。
二、建立图像辨认模型
（一）将分割好的小方块图片合并成tiff文件
下载jTessBoxEditor，打开jTessBoxEditor.jar，运用tools下的merge tiff工具，将图片合并成tiff文件。
（二）运用已有模型对tiff文件停止初辨认
下载并安装tesseract，并配置好环境变量，将Tesseract-OCR和tessdata的途径加入到环境变量下的path下面。Tesseract自带图像辨认的模型，例如中文简体汉字辨认模型chi_sim.traineddata，英文辨认模型eng.traineddata，这些模型可以网上下载，放到tessdata外面即可运用。
然后进入tiff所在文件夹。在命令窗口，输入：tesseract ***.tif *** -l +++ -psm 7 batch.nochop makebox，按回车生成box文件。其中***为tif的文件名，+++为要生成的traindata的文件名。
（三）运用jTessBoxEditor对tiff和box文件停止调整
打开jTessBoxEditor.jar，在box editor中的open按钮，打开要编辑的tif文件。编辑之后保存，生成box文件。保存在同一个文件夹里。
（四）运用tiff和box文件生成模型
在tiff和box的文件中，在命令窗口输入以下代码，最终生成模型（traindata文件）
上述脚本也可以写在bat文件中，运转脚本来生成traindata，最终仅需求将traindata复制到tessdata外面，即可运用该模型。
三、运用图像辨认模型
安装完，训练完模型之后，就要在python中运用模型了。安装pytesseract，找到pytesseract.py文件，打开编辑，将其中的“tesseract_cmd = 'tesseract'”，改成tesseract的安装途径（如C:\Program Files\Tesseract-OCR\\tesseract）。
由于模型是采用灰化后的图片训练的，所以在辨认时也要运用灰化。
四、优化图像辨认模型
在运用中，假如有错误，可以存上去，加入训练库，优化图像辨认模型。在普通是辨认错误的图片，积累一阵子后。累积做成tif文件。留意：同类错误选择几个记号了，训练库尽量小而精。
最后
假如你觉得这篇文章还不错，请大家 点赞、分享、留言 下，由于这将是我持续输入更多优质文章的最强动力！
更多爬虫、数据分析、全栈开发、人工智能学习材料自取
私信@林夕编程回复关键词【材料】 | 
