本文转载自微信公众号「Python中文社区」，作者杨炳。转载本文请联系Python中文社区公众号。
数据采集就怕遇到图片，只能看不能复制怎么办。手动将文字提取出来，要耗费很大的工作量。例如下图，某楼盘的一房一价表，怎么样发现单价低位的房子?光凭肉眼很难发现吧，能否让计算机进行文字的识别，然后再对这些数值型信息进行数据分析。
首先把图片中的单价提取出来，
进而生成图像：
用python就可以实现，采用现在流行的OCR图像识别。主要思路是使用机器学习模式，通过已有图片手动训练出一个图像识别模型，具体步骤如下：
一、将图片预处理，更方便计算机识别
(一)把图像灰化
使用open-cv库对图片进行处理。
使用灰化后的图片，如下图，排除干扰信息，能让识别更加稳定。
(二)把图片分割
将图片分割成小方块，一是提高识别精度，二是方便将数据储存为表格形式。可以设定好参数，根据坐标系把图片裁剪成一个个小方块，如下图，储存为jpg格式。
二、建立图像识别模型
(一)将分割好的小方块图片合并成tiff文件
下载jTessBoxEditor，打开jTessBoxEditor.jar，使用tools下的merge tiff工具，将图片合并成tiff文件。
(二)使用已有模型对tiff文件进行初识别
下载并安装tesseract，并配置好环境变量，将Tesseract-OCR和tessdata的路径加入到环境变量下的path下面。Tesseract自带图像识别的模型，例如中文简体汉字识别模型chi_sim.traineddata，英文识别模型eng.traineddata，这些模型可以网上下载，放到tessdata里面即可使用。
然后进入tiff所在文件夹。在命令窗口，输入：tesseract ***.tif *** -l +++ -psm 7 batch.nochop makebox，按回车生成box文件。其中***为tif的文件名，+++为要生成的traindata的文件名。
(三)使用jTessBoxEditor对tiff和box文件进行调整
打开jTessBoxEditor.jar，在box editor中的open按钮，打开要编辑的tif文件。编辑之后保存，生成box文件。保存在同一个文件夹里。
(四)使用tiff和box文件生成模型
在tiff和box的文件中，在命令窗口输入以下代码，最终生成模型(traindata文件)
上述脚本也可以写在bat文件中，运行脚本来生成traindata，最终仅需要将traindata复制到tessdata里面，即可使用该模型。
三、应用图像识别模型
安装完，训练完模型之后，就要在python中使用模型了。安装pytesseract，找到pytesseract.py文件，打开编辑，将其中的“tesseract_cmd = 'tesseract'”，改成tesseract的安装路径(如C:\Program Files\Tesseract-OCR\\tesseract)。
因为模型是采用灰化后的图片训练的，所以在识别时也要使用灰化。
四、优化图像识别模型
在使用中，如果有错误，可以存下来，加入训练库，优化图像识别模型。在一般是识别错误的图片，积攒一阵子后。累积做成tif文件。注意：同类错误选择几个记号了，训练库尽量小而精。
作者：杨炳，心理学者在银行写代码。
