Python+OpenCV提取公眾號文章閱讀數(shù)

時間：2022-10-20 19:32:10

關鍵字：圖像識別顯示器創(chuàng)新

手機看文章

掃描二維碼
隨時隨地手機看文章

[導讀]初定采用圖像識別的方法，圖像文字提取有很多現(xiàn)成方案，而且還是顯示器上的文字提取，比車牌識別要簡單得多，就算不答應他，我也想自己試試玩玩。計劃幾天的工作量，沒打算在它身上廢太多功夫。一切的創(chuàng)新從拷貝開始，沒想到3小時就把功能實現(xiàn)，接下來抽空上一點細節(jié)，以及各種異常處理，畢竟要規(guī)避少量誤報的情況。

周末大清早群友問我能否做個小功能——提取出公眾號文章閱讀數(shù)。呵呵，谷歌網站主頁光溜溜的，做起來也是個小功能吧。至于什么系統(tǒng)集成我也不多問了，別家公司的秘密不亂打聽，殺頭的。

初定采用圖像識別的方法，圖像文字提取有很多現(xiàn)成方案，而且還是顯示器上的文字提取，比車牌識別要簡單得多，就算不答應他，我也想自己試試玩玩。

計劃幾天的工作量，沒打算在它身上廢太多功夫。一切的創(chuàng)新從拷貝開始，沒想到3小時就把功能實現(xiàn)，接下來抽空上一點細節(jié)，以及各種異常處理，畢竟要規(guī)避少量誤報的情況。

方案采用Python+OpenCV+OCR庫（Optical Character Recognition，光學字符識別），文稿下方視頻演示執(zhí)行效果。

友情提示，點擊視頻右側按鈕可以旋轉手機觀看，否則文字太小豎屏看不清

所用的OCR是離線數(shù)據(jù)包，網上看到有人用百度AI的OCR服務，反正我不會考慮把核心功能放在大佬的服務器上跑的。

主席：飯碗任何時候都要牢牢端在自己手中。

簡要說說

PC端打開公眾號文章也是沒有閱讀數(shù)的，爬蟲也做不了。

我認為是公眾號防止第三方抓取數(shù)據(jù)，特意把“閱讀”字體顏色改得和背景色相近，在識別圖像時“閱讀”辨識成背景噪聲。

下面列出原始圖像的文字識別效果，不是太好。當然，沒有那種圖像處理能少得了預處理的。

 ';', 'RRB', '“有一種贊賞叫催更，感謝你的肯定“', 'eo', 'ti', '|', '&', '>', 'ob', '8', '分享', 'ke', '2', '1', '人呵”瀘州考究官方旗艦店', '關注公眾號', '愛喝好酒的，進來看看', '發(fā)消息']

我用畫圖把原始的灰色字體描繪成黑色，算是人工干預預處理。再次識別，“閱讀”數(shù)據(jù)成功提取出來。

下面是涂黑字體識別結果。

 '“有一種贊賞叫催更，感謝你的肯', 'eo', 'ti', '|', '閱讀', '31', 'P', 'oO', 'o', '8B', '分享', '收藏', '2', '1', '人呵”瀘州考究官方旗艦店', '關注公眾號', '愛喝好酒的，進來看看']

既然高對比度它有利于提高文字識別率，我就想辦法提高“閱讀”文字的對比度。首先用的是邊沿檢測方法，所有文字邊沿都描繪一個框。

本以為轉換成邊沿檢測識別效果會好起來，實際反而更差。猜測OCR庫不能識別“浮雕狀文字”，文字的邊框使得文字看起來更肥大，邊沿檢測后文字和背景色之間有個輪廓，只有特別粗的字體在邊沿檢測后不受影響。

瞧，小字體文字都識別成亂碼。

 '”有一種贊賞叫催政，感謝你的肯定”', '稀罕作者', 'ia', 'io', 'ne', 'ae', 'me', ';', '1', 'See', 'ga', 'lel', 'Te', 'Be', 'mg', 'cD']

剔除背景色

微信文章默認背景色都是白色，計劃把白色涂抹成其他顏色，其他非白色位置描黑。其實白色的判定不是絕對的白色，而是取出一定范圍的相對白色。下圖左側是取出的“蒙版”，除了要去除的背景色外，蒙版上其余顏色涂成黑色。蒙版的作用和Photoshop是一樣的。

如此一來整張圖片文字對比對就高多。

最終文字檢測結果。

'調用do_exit，文稿末尾我上貼圖;', '了', '2、如果某應用程序在內核空間死鎖，將永遠', '不能控制GPIO', '，只能手動強制關機;', '吳解君', '“有一種贊賞叫催更，感謝你的上衣', '”', '中', '稀罕作者', '閱讀', '31', 'PrP', '@', 'o', '8', '分享', '收藏', '2', '1', 'GE', '瀘州老竄官方旗艦店', '、', 'g', 'BIRTH,', 'WEEE.', '關注公眾號', '發(fā)消息']