數(shù)據(jù)采集就怕遇到圖片，只能看不能復(fù)制怎么辦。手動將文字提取出來，要耗費很大的工作量。例如下圖，某樓盤的一房一價表，怎么樣發(fā)現(xiàn)單價低位的房子？光憑肉眼很難發(fā)現(xiàn)吧，能否讓計算機(jī)進(jìn)行文字的識別，然后再對這些數(shù)值型信息進(jìn)行數(shù)據(jù)分析。
首先把圖片中的單價提取出來，
進(jìn)而生成圖像：
用python就可以實現(xiàn)，采用現(xiàn)在流行的OCR圖像識別。主要思路是使用機(jī)器學(xué)習(xí)模式，通過已有圖片手動訓(xùn)練出一個圖像識別模型，具體步驟如下：
一、將圖片預(yù)處理，更方便計算機(jī)識別
（一）把圖像灰化
使用open-cv庫對圖片進(jìn)行處理。
使用灰化后的圖片，如下圖，排除干擾信息，能讓識別更加穩(wěn)定。
（二）把圖片分割
將圖片分割成小方塊，一是提高識別精度，二是方便將數(shù)據(jù)儲存為表格形式?？梢栽O(shè)定好參數(shù)，根據(jù)坐標(biāo)系把圖片裁剪成一個個小方塊，如下圖，儲存為jpg格式。
二、建立圖像識別模型
（一）將分割好的小方塊圖片合并成tiff文件
下載jTessBoxEditor，打開jTessBoxEditor.jar，使用tools下的merge tiff工具，將圖片合并成tiff文件。
（二）使用已有模型對tiff文件進(jìn)行初識別
下載并安裝tesseract，并配置好環(huán)境變量，將Tesseract-OCR和tessdata的路徑加入到環(huán)境變量下的path下面。Tesseract自帶圖像識別的模型，例如中文簡體漢字識別模型chi_sim.traineddata，英文識別模型eng.traineddata，這些模型可以網(wǎng)上下載，放到tessdata里面即可使用。
然后進(jìn)入tiff所在文件夾。在命令窗口，輸入：tesseract ***.tif *** -l +++ -psm 7 batch.nochop makebox，按回車生成box文件。其中***為tif的文件名，+++為要生成的traindata的文件名。
（三）使用jTessBoxEditor對tiff和box文件進(jìn)行調(diào)整
打開jTessBoxEditor.jar，在box editor中的open按鈕，打開要編輯的tif文件。編輯之后保存，生成box文件。保存在同一個文件夾里。
（四）使用tiff和box文件生成模型
在tiff和box的文件中，在命令窗口輸入以下代碼，最終生成模型（traindata文件）
上述腳本也可以寫在bat文件中，運行腳本來生成traindata，最終僅需要將traindata復(fù)制到tessdata里面，即可使用該模型。
三、應(yīng)用圖像識別模型
安裝完，訓(xùn)練完模型之后，就要在python中使用模型了。安裝pytesseract，找到pytesseract.py文件，打開編輯，將其中的“tesseract_cmd = 'tesseract'”，改成tesseract的安裝路徑（如C:\Program Files\Tesseract-OCR\\tesseract）。
因為模型是采用灰化后的圖片訓(xùn)練的，所以在識別時也要使用灰化。
四、優(yōu)化圖像識別模型
在使用中，如果有錯誤，可以存下來，加入訓(xùn)練庫，優(yōu)化圖像識別模型。在一般是識別錯誤的圖片，積攢一陣子后。累積做成tif文件。注意：同類錯誤選擇幾個記號了，訓(xùn)練庫盡量小而精。
