共计 1393 个字符，预计需要花费 4 分钟才能阅读完成。
数据采集就怕遇到图片，只能看不能复制怎么办。手动将文字提取进去，要消耗很大的工作量。
例如下图，某楼盘的一房一价表，怎么样发现单价低位的房子？光凭肉眼很难发现吧，是否让计算机进行文字的辨认，而后再对这些数值型信息进行数据分析？
首先把图片中的单价提取进去，
进而生成图像：
用 python 就能够实现，采纳当初风行的 OCR 图像识别。次要思路是应用机器学习模式，通过已有图片手动训练出一个图像识别模型，具体步骤如下：
一、将图片预处理，更不便计算机辨认
（一）把图像灰化
应用 open-cv 库对图片进行解决。
应用灰化后的图片，如下图，排除烦扰信息，能让辨认更加稳固。
（二）把图片宰割
将图片宰割成小方块，一是进步辨认精度，二是不便将数据贮存为表格模式。能够设定好参数，依据坐标系把图片裁剪成一个个小方块，如下图，贮存为 jpg 格局。
二、建设图像识别模型
（一）将宰割好的小方块图片合并成 tiff 文件
下载 jTessBoxEditor，关上jTessBoxEditor.jar，应用tools 下的 merge tiff 工具，将图片合并成 tiff 文件。
（二）应用已有模型对 tiff 文件进行初辨认
下载并装置 tesseract，并配置好环境变量，将Tesseract-OCR 和tessdata的门路退出到环境变量下的 path 上面。
Tesseract 自带图像识别的模型，例如中文简体汉字辨认模型 chi_sim.traineddata，英文辨认模型eng.traineddata，这些模型能够网上下载，放到tessdata 外面即可应用。
而后进入 tiff 所在文件夹。在命令窗口，输出：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）应用 jTessBoxEditor 对tiff和 box 文件进行调整
关上 jTessBoxEditor.jar，在box editor 中的 open 按钮，关上要编辑的 tif 文件。编辑之后保留，生成 box 文件。保留在同一个文件夹里。
（四）应用 tiff 和 box 文件生成模型
在 tiff 和 box 的文件中，在命令窗口输出以下代码，最终生成模型（traindata 文件）
上述脚本也能够写在 bat 文件中，运行脚本来生成 traindata，最终仅须要将 traindata 复制到 tessdata 外面，即可应用该模型。
三、利用图像识别模型
装置完，训练完模型之后，就要在 python 中应用模型了。装置 pytesseract，找到 pytesseract.py 文件，关上编辑，将其中的 “tesseract_cmd = 'tesseract'”，改成tesseract 的装置门路（如C:\Program Files\Tesseract-OCR\tesseract）。
因为模型是采纳灰化后的图片训练的，所以在辨认时也要应用灰化。
四、优化图像识别模型
在应用中，如果有谬误，能够存下来，退出训练库，优化图像识别模型。在个别是辨认谬误的图片，积攒一阵子后。累积做成 tif 文件。留神：同类谬误抉择几个记号了，训练库尽量小而精。
以上就是本次分享的所有内容，如果你感觉文章还不错，欢送关注公众号：Python 编程学习圈，每日干货分享，发送“J”还可支付大量学习材料。或是返回编程学习网，理解更多编程技术常识。