今天继续昨天的课题：OCR
这次我们换一张相对模糊的图片，例如：
使用tesseract的stdout命令输出如下结果：
This is some text, written in Arial, Tesseract. Here are some可以看到图片后面的单词明显没有被正确的识别，主要是因为图片背景色是渐变的，如果图片的渐变再加快加深，仅仅一个指令处理这张图片就远远不够了。
遇到这类问题，可以先用 Python 脚本对图片进行清理。利用 Pillow 库，我们可以创建一个 阈值过滤器来去掉渐变的背景色，只把文字留下来，从而让图片更加清晰，便于 Tesseract 读取
from PIL import Image def cleanFile(srcFile,newFile): image = Image.open(srcFile) image = image.point(lambda x:0 if x<120 else 255) image.save(newFile) print("process done!") pass cleanFile("C:/Users/gaoji/Documents/python/test2.jpg","C:/Users/gaoji/Documents/python/test3.png")这段程序把原图片灰度低于120的部分全都变为0，120往上的全部变为255，并且将其存储为png格式原图片的背景深度还好，所以处理完后可以变成如下图片： 这样每行后面的内容tesseract解析起来就想多容易多了，解析后如下：
This is some text. written in Arial, that will be read by Tesseract Here are some symbols: !(@#$%*&*()还是有些符号读的不完美，但绝大部分信息都被成功取出来了 在提交给 Tesseract 处理之前，那些带标题的、带有大片空白的图片，或者有其他问题的图 片，都应该做预处理
接下来我们要尝试把网络爬虫与tesseract结合起来，做一个相对大一点的东西，首先导航到亚马逊图书，托尔斯泰的《战争与和平》的大字号印刷版 ， 打开阅读器，收集图片的 URL 链接，然后下载图片，识别图片，最后打印每个图片的文字。这是一个不小的工程，今天一天做不完，需要两天时间
今天先写到这里，打卡咯~
