tesseract-OCR 圖像識別插件 node-tesr 瞭解一下？

前言

該項目誕生於一次爬蟲事件，當時一時興起想把某租房網信息爬下來，前面進行的仍是挺順暢的，可是在租房價格信息上被擺了一道，房屋的價格信息爲一個數字圖片爲底加上偏移量來顯示的，和雪碧圖同樣的實現方式，固然，其中加上了一點小算法，具體以下。

• 獲取數字圖片信息和 offset 信息

  • 

    直接放出來會不會不太好？侵刪

  • { "offset": [ [1, 4, 2, 8], [5, 1, 7, 8], [5, 1, 3, 8], ... ] }
• 由 offset 信息加上一點算法得出 position 信息
  • （background-position: xxx px）
• 以數字圖片爲背景，加上偏移，append 到價格信息他應該在地方

略一思索，倒也不是什麼大事兒，只要加個識別的過程再輔以算法便可。

在實行圖像識別的過程當中藉助到了 google 的開源軟件 tesseract-OCR，由於爬蟲環境是 node，遂寫了一個適用於 tesseract-OCR 最新版本的 node 插件，後續還添加了命令行使用的功能。

演示

命令行使用 --- 1

命令行使用 --- 2

模塊使用 --- 1

項目在這裏

若是以爲我對你有幫助，不妨給我個 star 吧，蟹蟹~

github node-tesr

正文

命令行使用

想要使用圖像識別首先要確保電腦中已經安裝了 tesseract-OCR 點擊下載。

想要使用命令行建議全局安裝

npm install node-tesr -g
複製代碼

tesr --from=./test/output.jpg --to=./output.txt
複製代碼

參數說明

--from 須要識別的圖片路徑（必須）
--to 若傳入此參數會將識別的文字輸出到該文件下（非必須，默認會將識別內容輸出到命令行）
--l 識別語言，對中文稍微作了點處理，識別簡體 --l=chs，識別繁體 --l=cht（非必須，默認爲 eng）
--p 見 lib/config.js 裏的說明（非必須，默認爲 3 自動模式）
--o 見 lib/config.js 裏的說明（非必須，默認爲 3 自動模式）
複製代碼

模塊引入使用

npm install node-tesr
複製代碼

const tesseract = require('node-tesr')

tesseract('./output.jpg', { l: 'eng', oem: 3, psm: 3 }, function(err, data) {
  // 此處得到識別內容
  console.log(data)
})

// 或者以下也可
tesseract('./output.jpg', function(err, data) {
  // 此處得到識別內容
  console.log(data)
})
複製代碼

後語

效果

經測試效果仍是不錯的，可是有一點須要注意一下，上面提到該網站的數字圖片是透明底的，測試發現 tesseract-OCR 對透明底的彷佛無解，這個時候就須要結合一下 images 這個 node 插件

let images = require('images')
images(500, 100)
  .fill(0xff, 0xff, 0xff, 1)
  .draw(images('demo.png'), 10, 10)
  .save('output.jpg', {
    quality: 100
  })
複製代碼

將透明底填充爲白底便可正常識別

如何提升個人圖像識別準確率

老闆！個人圖像識別率很低怎麼破！

來，看這裏，這個能夠提升圖像識別率。

識別算法學習

待辦

• 增長網絡地址圖片也可識別的功能
• 使用 then 來處理回調

頁腳

代碼即人生，我甘之如飴。

我在這裏 gayhub@jsjzh 歡迎你們來找我玩兒。

歡迎小夥伴們直接加我，拉你進羣一塊兒學習前端呀，記得備註一下你來自哪裏哦。