这里增加应用场景,让图片下载结合自动识别,实现识别转换图片中的电话号码。
背景
在爬取广西人才网的过程当中,发现广西人才网企业联系电话那里不是str,而是将电话生成了一张图片,遇到这种情况,通常有三种不同的处理办法:
- 将图片地址保存下来,只存url
- 将图片下载到本地,存储url和本地路径path
- 将图片下载到本地,存储url和本地路径,然后用图片识别的方式将电话识别出来,赋给tel字段存入数据库
图片文字识别
这里先做图片识别的功能,在github上有个pytesseract包,通过pip安装:
pip install pytesseract
(当然了,前提是我之前安装过pillow包,要不然这里还是要安装pillow的)
然后项目目录下新建一个文件imagetestpy,代码如下:
from PIL import Image
import pytesseract
codes = pytesseract.image_to_string(Image.open('test.jpg'))
print(codes)
保存运行即可看到它能够正常识别出图片中的电话号码。
结合到项目中
广西人才网的项目逻辑是:
spider获取电话图片-->交给item进行序列化-->配置图片下载将电话号码图片下载到本地-->通过pytesseract识别本地图片-->将识别出来的电话号码装在到item["tel"]中,完成。
所以spider里面不用获取tel的值,只需要获取图片url就行,代码为:
loaders.add_css("image_urls", ".address tr:first-child img::attr(src)")
在item中定义好tel字段和path字段:
comp_tel = scrapy.Field()
image_path = scrapy.Field()
接着根据上一篇文章配置图片下载,settings:
ITEM_PIPELINES = {
#'scrapy.contrib.pipeline.images.ImagesPipeline': 1,
'rspider.pipelines.ImagePathPipeline': 1,# 开启图片下载
}
""" 图片下载配置 """
IMAGES_URLS_FIELD = "image_urls" # 对应item里面设定的字段,取到图片的url
prodir = os.path.abspath(os.path.dirname(__file__))
IMAGES_STORE = os.path.join(prodir,"images") # 设置图片保存path
到pipelisne.py中编写新的ImagesPipeline,通过重载item_completed获得图片下载路径,然后自定义get_img_tel方法来识别图片中的号码,将识别出来的号码传递给item["comp_tel"],将下载路径也传递给item["image_path"],整个类的代码为:
from scrapy.pipelines.images import ImagesPipeline
from PIL import Image
import pytesseract
import os
class ImagePathPipeline(ImagesPipeline):
"""
继承ImagesPipeline,重载item_completed方法
以实现处理图片下载路径的目的
"""
def get_img_tel(self,image_path):
"""
获取广西人才网图像中的电话号码
下载存储人才网企业联系电话的图片
将图片path传进来,通过pytesseract进行解析
由于代码存在些许问题,数字0会识别为u,所以识别后要进行replace替换
返回结果
"""
prodir = os.path.abspath(os.path.dirname(__file__))
url_path = os.path.join(prodir, "images/") + image_path # 设置图片保存path
tel_nums = pytesseract.image_to_string(Image.open(url_path))
return tel_nums
def item_completed(self, results, item, info):
""" 循环results,将里面的path取出,然后赋值到item中的image_path字段,最后返回item """
for ok, value in results:
image_path = value["path"]
item["image_path"] = image_path
item["comp_tel"] = self.get_img_tel(image_path)
return item
这样即可完成从图片下载到识别号码再传值回来的功能