引言
度过了短暂的春节假期，又要开始继续搬砖了，因为还处于节后
综合征，各种散漫，不想看任何代码相关的东西，根本挤不出学习热情...
恰逢前几天，公司的UI妹子安利了一个卖萌的新番：小木乃伊到我家
就是图中的这四只小东西，敲可爱的说，分别叫：
小伊(木乃伊)，可尼(小鬼，牛)，啊勇(龙)，胖嘟嘟
UI妹子尤其喜欢可尼，是挺萌的，突然想找些相关的手机或者电脑壁纸，
壁纸没找到，却在 小木乃伊到我家吧 里找到了一些自制的表情包：
https://tieba.baidu.com/p/5522091060
表情都很有趣嘛，写个脚本把图片都爬下来？走一波流程：
Step 1：Network抓包看下返回的数据是否和Element一致，
或者说有我们想要的数据，而不是通过JS黑魔法进行加载的；
复制下第一个图的图片链接，到Network选项卡里的Response
里查找以下，嗯，找得到，可以：
Step 2：滚动到底，抓包没有发现Ajax动态加载数据的踪迹
Step 3：点击第二页，抓包发现了Ajax加载的痕迹！！！
同样拿第一个图的url搜下，同样可以找到
三个参数猜测pn为page_number，即页数，PostMan或者自己
写代码模拟请求，记得塞入Host和X-Requested-With，验证pn=1
是否为第一页数据，验证通过，即所有页面数据都可以通过这个
接口拿到；
Step 4：先加载拿到末页是第几页，然后走一波循环遍历即可
解析数据获得图片url，写入文件，使用多个线程进行下载
比较简单，就不详解了，直接给出代码，看不懂的自己复习去：
# 抓取百度贴吧某个帖子里的所有图片
import coderpig_n as cpn
import requests
import time
import threading
import queue
tiezi_url = "https://tieba.baidu.com/p/5522091060"
headers = {
'Host': 'tieba.baidu.com',
'User-Agent': cpn.user_agent_dict['chrome'],
}
pic_save_dir = 'output/Picture/BaiduTieBa/'
pic_urls_file = 'tiezi_pic_urls.txt'
download_q = queue.Queue() # 下载队列
# 获得页数
def get_page_count():
try:
resp = requests.get(tiezi_url, headers=headers, timeout=5)
if resp is not None:
soup = cpn.get_bs(resp.text)
a_s = soup.find("ul", attrs={'class': 'l_posts_num'}).findAll("a")
for a in a_s:
if a.get_text() == '尾页':
return a['href'].split('=')[1]
except Exception as e:
print(str(e))
# 下载线程
class PicSpider(threading.Thread):
def __init__(self, t_name, func):
self.func = func
threading.Thread.__init__(self, name=t_name)
def run(self):
self.func()
# 获得每页里的所有图片
def get_pics(count):
while True:
params = {
'pn': count,
'ajax': '1',
't': int(time.time())
}
try:
resp = requests.get(tiezi_url, headers=headers, timeout=5, params=params)
if resp is not None:
soup = cpn.get_bs(resp.text)
imgs = soup.findAll('img', attrs={'class': 'BDE_Image'})
for img in imgs:
cpn.write_str_data(img['src'], pic_urls_file)
return None
except Exception as e:
pass
pass
# 下载线程调用的方法
def down_pics():
global download_q
while not download_q.empty():
data = download_q.get()
download_pic(data)
download_q.task_done()
# 下载调用的方法
def download_pic(img_url):
while True:
proxy_ip = {
'http': 'http://' + cpn.get_dx_proxy_ip(),
'https': 'https://' + cpn.get_dx_proxy_ip()
}
try:
resp = requests.get(img_url, headers=headers, proxies=proxy_ip, timeout=5)
if resp is not None:
print("下载图片:" + resp.request.url)
pic_name = img_url.split("/")[-1]
with open(pic_save_dir + pic_name, "wb+") as f:
f.write(resp.content)
return None
except Exception as e:
pass
if __name__ == '__main__':
cpn.is_dir_existed(pic_save_dir)
print("检索判断链接文件是否存在：")
if not cpn.is_dir_existed(pic_urls_file, mkdir=False):
print("不存在，开始解析帖子...")
page_count = get_page_count()
if page_count is not None:
headers['X-Requested-With'] = 'XMLHttpRequest'
for page in range(1, int(page_count) + 1):
get_pics(page)
print("链接已解析完毕！")
headers.pop('X-Requested-With')
else:
print("存在")
print("开始下载图片~~~~")
headers['Host'] = 'imgsa.baidu.com'
pic_list = cpn.load_list_from_file(pic_urls_file)
threads = []
for pic in pic_list:
download_q.put(pic)
for i in range(0, len(pic_list)):
t = PicSpider(t_name='线程' + str(i), func=down_pics)
t.daemon = True
t.start()
threads.append(t)
download_q.join()
for t in threads:
t.join()
print("图片下载完毕")
运行结果：
接着在和UI妹子聊天的时候就可以拿这些表情来斗图了，但是问题来了，
总共有165个图，我每次想说什么都要打开图片一个个看文字是否
符合场景，然后才发，有点呆，而且浪费时间，有没有什么快点
找到表情的方法呢？
答：直接把表情里的文字作为图片名不就好了，直接文件搜索搜关键字；
但是问题又来了，一张张去改文件名？多呆哦！
突然想起之前看过一篇头脑王者答题辅助脚本的文章，就是
利用OCR文字识别，把识别出来的文字丢百度上搜索，选项频度最高
的一般就是正确答案，可以试一波这个套路，谷歌为我们提供了一个
免费的ORC文字识别引擎：Tesseract
仓库地址：https://github.com/tesseract-ocr/tesseract
1.装一波环境
稳定版本是3.0，4.0版本还处于研发，一开始以为新版的肯定牛逼
一些，装了4.0的发现对于中文的识别效率超低，差太远了，后来
又换回了3.0版本，情况稍微好一些，当然可以通过其他方法提高
中文识别率，图片裁剪，调节对比度，黄底黑字，自己训练语言库等，
不是本节的学习范畴，本节写个简单的例子了解下怎么用而已～
更多可移步到：ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库)
各个版本介绍：https://github.com/tesseract-ocr/tesseract/wiki/ReleaseNotes
Ubuntu 14.04 环境安装(其他系统环境后续用到再补充...)
1.安装tesseract-ocr
sudo apt-get install tesseract-ocr
tesseract --version
2.安装pytesseract与Image
sudo pip install pytesseract
sudo pip install Image
3.下载tesseract中文简体字库
默认安装后是不带中文简体库的，官方仓库走一波：
https://github.com/tesseract-ocr/tessdata
记得选择版本Tag，3.0的tesseract-ocr是用不了4.0的字库的！！！
如果你下错了，调用的时候会报3.0用不了4.0的字库的错误！！！
这两个就是对应中文简体与繁体：
字库下载后需要放到下面的目录下：/usr/share/tesseract-ocr/tessdata
然后你发现字库文件无法拷贝到该目录下，因为需要权限，这里可以通过
命令行拷贝一波：
sudo cp '/home/jay/下载/chi_sim.traineddata' /usr/share/tesseract-ocr/tessdata
前面是源文件，后面是拷贝到哪个目录下。
好了，到此就准备完成了，接着写个简单的程序来识别一波！
2.识别一波图片
代码忒简单，创建一个Image对象，调用下pytesseract.image_to_string()方法
就能识别文字了，参数依次是Image对象，识别语言类型，chi_sim中文简体
import pytesseract
from PIL import Image
image = Image.open('1.png')
text = pytesseract.image_to_string(image,)
print(text.replace(" ", ""))
随手截一波掘金首页的分类栏：
运行一波：
识别结果有点感人，调一张表情图试试：
识别结果：
？？？都识别出来什么东西，后面试了几张图片我还发现不止识别
错误，有时连字都识别不出来...在不自己去训练字体库的情况下，
中文识别率真心感人，不过最大的有点优点还是：Tesseract免费。
识别数字或者英语的时候，还凑合，随手复制一段英文：
设置下lang='eng'，输出结果：
免费的识别率低，试试收费的怎样，百度云OCR
3.试试百度云OCR
收费，每天免费500次，拿来完成我们这个图片命名的小脚本足矣！
官方文档：文字识别 - Python SDK文档
配置流程：
1.开通文字识别服务：https://cloud.baidu.com/product/ocr.html
2.创建一个应用，然后记下API Key 和 Secret Key 程序里要用
3.点右上角->用户中心，抄下自己的用户ID
4.pip命令安装一波
sudo pip install baidu-aip
编写简单代码：
from aip import AipOcr
# 新建一个AipOcr对象
config = {
'appId': 'XXX',
'apiKey': 'YYY',
'secretKey': 'ZZZ'
}
client = AipOcr(**config)
# 读取图片
def get_file_content(file_path):
with open(file_path, 'rb') as fp:
return fp.read()
# 识别图片里的文字
def img_to_str(image_path):
image = get_file_content(image_path)
# 调用通用文字识别, 图片参数为本地图片
result = client.basicGeneral(image)
# 结果拼接返回
if 'words_result' in result:
return '\n'.join([w['words'] for w in result['words_result']])
if __name__ == '__main__':
print(img_to_str('1.png'))
试试上面掘金的那个，输出结果：
啧啧，可以的，试试搞基那个表情？
嗯，还是有点小错误，在文档里找到：
把basicGeneral 改为 basicAccurate，结果：
啧啧，完美识别，稍微慢了一点点，接下来把代码完善下，
把所有的图片重命名一波咯！
4.实战：利用百度OCR识别自动修改文件名
遍历文件夹，获得所有的图片路径，然后文字识别一波，获得结果集
里长度最长的字符串作为文件名，能识别的就修改下文件名，完整代码
如下：
import os
from aip import AipOcr
# 新建一个AipOcr对象
config = {
'appId': 'XXX',
'apiKey': 'YYY',
'secretKey': 'ZZZ'
}
client = AipOcr(**config)
pic_dir = r"/home/jay/图片/BaiduTieBa/"
# 读取图片
def get_file_content(file_path):
with open(file_path, 'rb') as fp:
return fp.read()
# 识别图片里的文字
def img_to_str(image_path):
image = get_file_content(image_path)
# 调用通用文字识别, 图片参数为本地图片
result = client.basicGeneral(image)
# 结果拼接返回
words_list = []
if 'words_result' in result:
if len(result['words_result']) > 0:
for w in result['words_result']:
words_list.append(w['words'])
file_name = get_longest_str(words_list)
print(file_name)
os.rename(image_path, pic_dir + str(file_name).replace("/", "") + '.jpg')
# 获取字符串列表中最长的字符串
def get_longest_str(str_list):
return max(str_list, key=len)
# 遍历某个文件夹下所有图片
def query_picture(dir_path):
pic_path_list = []
for filename in os.listdir(dir_path):
pic_path_list.append(dir_path + filename)
return pic_path_list
if __name__ == '__main__':
pic_list = query_picture(pic_dir)
if len(pic_list) > 0:
for i in pic_list:
img_to_str(i)
运行结果：
要注意一点，高精度版免费只有50次，我一开始不知道，后面跑程序
突然卡住一直不动，这点要注意，后面还是用回了普通模式，所以有
些文件名并不完全是对的，就调调API的事，非常简单，项目有极大
刚需要用到文字识别的自行去官网了解吧～
5.小结
本节简单的了解了一下pytesseract这个免费的OCR识别库，
对于中文的识别率不高，后面试了下百度云OCR，顺道写了
一个简单的实战项目，都比较简单，那么本节就到这里啦～