使用pytesseract识别微信阅读数

上文在抓取微信公众号文章阅读数的时候实现了阅读区域的定位，但是还有一个遗留问题那就是需要获得阅读数。本文使用pytesseract提取其中的阅读数。

安装Windows版本的tesseract
安装pytesseract
ocr代码示例
定位后进行ocr
抽取文字
效果

本文不会介绍ocr相关的技术，感兴趣的读者可以参考pyimagesearch网站的书籍OCR with OpenCV, Tesseract, and Python，它分为两本：《Intro to OCR》和《Intro to OCR》两部分。

安装Windows版本的tesseract

读者可以去这里下载tesseract的安装程序，作者使用的版本是tesseract-ocr-w32-setup-v4.1.0-elag2019.exe。

由于我们要识别中文，所以记得安装中文模型，简体中文版模型的名字是”Chinese(Simplified)。默认安装位置是“C:\Program Files\Tesseract-OCR”。

安装pytesseract

pip install pytesseract==0.3.7

ocr代码示例

使用pytesseract非常简单：

def ocr(img):
    options = "-l {} --psm {}".format("chi_sim", "7")
    text = pytesseract.image_to_string(img, config=options)
    return text

if __name__ == '__main__':
    text = ocr(Image.open("test-ocr.png"))
    print(text)

我们只需要使用image_to_string函数就行，里面有两个重要参数。一个是语言，这里使用简体中文”chi_sim”；另一个是psm，默认是13，单行模式为7。关于psm和tesseract的更多设置和优化，请参考官方文档或者前面的那两本书。

另外需要我们告诉pytesseract在哪里可以找到tesseract，在imgtool.py导入pytesseract之后加入下面的代码：

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract"

定位后进行ocr

有了ocr函数后就很容易了，我们只需要定位到包含阅读的文本块，把它crop出来进行ocr：

def extract_read_count(img_array, debug_fn, bottom, bg_color=None):
    if bg_color is None:
        bg_color = [255, 255, 255]

    height, width = img_array.shape[:2]

    for r in range(bottom-1, bottom-MAX_SEARCH_ROW, -1):
        # 找到第一行非全白背景的行，此行内容是分享
        if not np.all(img_array[r][LEFT_MOST:RIGHT_MOST] == bg_color):
            break
    if debug_fn:
        draw_bbox(img_array, (0, r, width-1, r+1), debug_fn + "-1.png")

    for r2 in range(r-1, r-MAX_SEARCH_ROW, -1):
        if np.all(img_array[r2][LEFT_MOST:RIGHT_MOST] == bg_color):
            break
    if debug_fn:
        draw_bbox(img_array, (0, r2, width - 1, r2 + 1), debug_fn + "-2.png")

    for r3 in range(r2-1, r2-MAX_SEARCH_ROW, -1):
        if not np.all(img_array[r3][LEFT_MOST:RIGHT_MOST] == bg_color):
            break
    if debug_fn:
        draw_bbox(img_array, (0, r3, width - 1, r3 + 1), debug_fn + "-3.png")

    for r4 in range(r3-1, r3-MAX_SEARCH_ROW, -1):
        if np.all(img_array[r4][LEFT_MOST:RIGHT_MOST] == bg_color):
            break
    if debug_fn:
        draw_bbox(img_array, (0, r4, width - 1, r4 + 1), debug_fn + "-4.png")

    read_count_img = Image.fromarray(img_array[r4-5:r3+5, :])
    if debug_fn:
        read_count_img.save(debug_fn + "-5.png")
    text = ocr(read_count_img)
    return _extract_count(text)

这个函数和上文是非常类似的，最终定位到了需要的文本块是从r4到r3行，为了避免数字挨着最上面和最下面，又给上下增加了5个像素。

read_count_img = Image.fromarray(img_array[r4-5:r3+5, :])

抽取文字

识别出来的文字除了阅读数之外还有“阅读”以及可能的其它文本(包括识别的乱码)，我们需要用正则表达式抽取数字，另外对于超过1万的数字它是显示为【xxx万】，超过10万的显示为【10万+】，我们需要处理一下：

def _extract_count(s):
    if s is None:
        return -1
    if "阅读" not in s:
        return -1
    try:
        res = re.search('([0-9.]+)万+', s)
        if res:
            return int(10000*float(res.group(1)))
        else:
            res = re.search('([0-9]+)', s)
            return int(res.group(1))
    except:
        return -1

效果

到目前位置，我们已经实现了阅读数的定位和抽取，下面是一个完整的示例。

粗定位1

粗定位2

细定位1

定位分享行的底部

定位分享行的顶部

定位阅读行的底部

定位阅读行的顶部

ocr的输入

FEATURED TAGS

人工智能深度学习 chatbot PyTorch Java BERT git 编程 OCR 汪曾祺语音识别 Kaldi Linux XLNet 情感分析 sentiment analysis 语法纠错 Transformer Tensorflow Huggingface Ubuntu TensorFlow 深度学习框架 Tensor2Tensor 机器翻译微信 wechat automation selenium webdriver pywinauto CentOS GPU Appium t2t 代码阅读中英翻译公众号爬虫 ocr tesseract pytesseract python 默认参数位置参数 VPN JSON Jackson huggingface PagedAttention vLLM Pre-training LLM CPT weather forecasting graph neural networks qlora quantization transformers cmake pip pipenv conda padding vscode debug source code build Speech ASR linux pytorch extension

FRIENDS

Li Li