xiamen-housing-data-collection

Emm..这个厦门市住房管理局服务器好像屏蔽了美国的 IP, 至少我在 CI 中和挂美国服务器的代理都访问不了,所以利用 GitHub Actions 来白嫖算力的计划行不通了.

不过仍然可以将项目部署在国内, 创建 cron 定时任务,然后commit、push到仓库

不过我不想折腾这个,需要的可以自行去研究.(我只是想用下 GitHub Actions 练练手)

利用 Github Actions 定时采集厦门市住房保障与房屋管理局的二手房网签情况

Build with Docker

项目用 GitHub Action 进行打包, 镜像托管在 Github Packages

关于手动部署

• build image

  docker build -t docker.pkg.github.com/wujunchuan/xiamen-housing-data-collection/<IMAGE_NAME>:<VERSION> .

• push image docker push docker.pkg.github.com/wujunchuan/xiamen-housing-data-collection/<IMAGE_NAME>:<VERSION>

Use Docker

Docker 镜像包含环境依赖(graphicsmagick...),可直接运行

• clone this project

  git clone git@github.com:wujunchuan/xiamen-housing-data-collection.git

• cd project folder

  cd ./xiamen-housing-data-collection

• download and run docker the image

  docker run -it --rm -v $(pwd)/raw:/usr/src/nodejs/raw --name xiamen-housing-data-collection docker.pkg.github.com/wujunchuan/xiamen-housing-data-collection/app:main

OCR, 光学字符识别

光学字符识别(英語:Optical Character Recognition,OCR)是指对文本资料的图像文件进行分析识别处理,获取文字及版面信息的过程.

这里我们使用使用 Tesseract, 读取和处理从图像中提取的文本.市面上很多云服务商有提供 OCR 服务, 其中实验了下, 我对腾讯云的 OCR 精度最满意.但这些毕竟都是有偿使用的, 对于这个项目而言, 自己动手丰衣足食.

Tesseract 由 HP 实验室开发由 Google 维护的开源 OCR 引擎,特点是开源,免费,支持多语言,多平台.

• Install Tesseract

  brew install --with-training-tools tesseract

• Install Tesseract library for Node.js: tesseract.js

  npm i tesseract.js

• 下载语言包模型

  移步 https://github.com/tesseract-ocr/tessdata

提高 OCR 精度

直接使用 Tesseract 对图片进行识别, 有点惨不忍睹, 数字都识别不清不楚的.这肯定是不能忍的, 毕竟咱们主要就是要解析图片上的数字,加以处理并归纳记录.

对图片进行预处理

• Install ImageMagick

  brew install graphicsmagick

• Install ImageMagick Library for Node.js: gm

  npm i gm

• 二值化与提高 DPI

  使用 threshold 处理图片,是去掉噪声,比如黑点或者颜色.

  简单理解就是把图片转换成黑白

  tesseract 默认 dpi 是 300,最好把图片的 dpi 设置为 300

  关于 sample/resample/scale/resize/adaptive-resize/thumbnail 有什么区别

  ref to StackOverflow

  -resample uses as parameter the desired XxY resolution, not not the XxY pixel geometry of the target image. The purpose of this operator is to preserve the rendered size of an image: Assume your image measures 4 inches by 3 inches on a device that renders it at 300 DPI. Then asking for a -resample 72 or -resample 72x72 will resize the image so that it measures (again) 4 inches by 3 inches on a 72 DPI device.

  也就是利用 resample会重新计算特定 dpi 下的像素比

  在代码中处理如下

  gm(src)
    .resample(300, 300)
    .flatten()
    .threshold(22, "%")
    .write(output, (err) => (err ? reject(err) : resolve(output)));

Tesseract 配置

• 设置白名单

  如果只想识别语料库中的一部分字符,比如只需要识别数字,则可以设置 tessedit_char_whitelist 参数.

• 词库训练

  项目只提取数字, 暂时没涉足这块区域

  如果要进行中文识别的话, 就需要折腾这一块内容了,官方提供训练好的库不好使.

参考

• Improving the quality of the output

License

xiamen-housing-data-collection 的源码使用 MIT License 发布.具体内容请查看 LICENSE 文件.