起因是这样的，我想买一个定焦镜头，但也不是必需品，可以长期观望购买。最初的想法是，写个程序，每天爬一下各大电商网站的价格，或者直接爬etao把该镜头的价格记录下来，突然有一个惊爆的低价，就发邮件通知。这个idea并不难实现，只是懒得做。。。之前我的一些程序也干过类似的事情，比如春节爬打折机票价格什么的。

昨天下午看到一个网站，上面记录了某东的历史数据，我就想把别人的历史数据采集过来看看，自己也练手一下图片识别，我还没用过大名鼎鼎的PIL模块呢。写这系列博客的时候，我还没有完全把图片上的数字识别出来，只是把探索的过程记录一下。

要识别的示例图片如下：

要采集数据的特征：

1、数据是用图片显示的，做成折线图的形式。

2、数据由图片的横坐标和纵坐标组成，横坐标是时间，在坐标轴下，数字的纵坐标是固定的，横坐标不定。另外一个是价格，在折现上方，横坐标和纵坐标位置飘忽不定。

3、数字长度不固定，多少位的都有可能，有的有小数点，有的没有。

4、数据的个数是不定的，有可能是4组，也有可能是七八组。

5、数字还算是干净，不像很多验证码都加早点、扭曲、干扰线什么的。

我也没弄过验证码识别和图片识别，就边搜索边凭着感觉摸着来了：

步骤一：安装PIL

用Python干这活应该是要用PIL对图片进行预处理的，先下载安装一下：http://www.pythonware.com/products/pil/

特别说明一下：如果是Win7 64位操作系统的话，由于Python的安装路径不太一样，需要自行编译源码或者在网上搜一个其他人编译过的给Win7 64位用的PIL才能安装。

步骤二：化繁为简，化整为零

咱先找最简单的练手吧，先把横坐标识别出来。

那么就先用PIL切割图片，示例代码如下(坐标需要调整)：

def cutimg(filename):

im = Image.open(filename)

x = 0

y = 209

w = 1000

h = 8

box = (x, y, x+w, y+h)

region = im.crop(box)

outfile = 'tmp1.bmp'

region.save(outfile)

return运行之后，就生成下面的图片了

步骤三：计算有多少组数字

思路：图片中取一条水平线，连续判断这条水平线上像素的颜色。由于每组数字之间有很大的空白作为间距，就判断像素是否是连续有比如50个白像素，如果有超过的话，就认为是有间距了。示例代码如下：

def get_price_num(im):

white = (255, 255, 255)

w, h = im.size

data = list(im.getdata())

char_width = 25

y = h/2

num = 0

whitenum = 0

for x in xrange(w):

if data[ y*w + x ] != white:

if whitenum > 50:

num += 1

whitenum = 0

else:

whitenum += 1

return num+1步骤四：图片分割，并二值化

一口也吃不成胖子，继续简化问题。上面知道了有多少组数字，那么接下来应该就是将这些数字切割下来，以便各个击破。在之前的代码修改了一下，预估每组数字的最大宽度是25，

二值化，就是把值变为0或者255两种。为什么要二值化？这样好识别吧。

用PIL很简单，调用newim.convert("1")就可以二值化了。

def get_price_num(im):

white = (255, 255, 255)

start_point = (0,0)

w, h = im.size

data = list(im.getdata())

char_width = 25

y = 1#h/2

num = 0

whitenum = 0

for x in xrange(w):

if data[ y*w + x ] != white:

if num == 0 or whitenum > 50:

box = (x,0,x+char_width,8)

newim = im.crop(box)

outfile = 'tmp_%d.bmp' % (num)

newim.convert("1").save(outfile)

num += 1

whitenum = 0

else:

whitenum += 1

return num步骤五：把图片中的数字的data打印出来，记录一下，看用什么特征来记录，这部分我昨天是勉强做好了，样本弄得有点少，识别率可能也就70%，我不是很满意。

主要原因：似乎就算是同一个数字，不同位置上特征也不太一样。

我想起了矩阵还有什么行列式什么的，又想到了用一些开源的OCR软件了。

今天继续研究一下该怎么处理好，后面继续博客补充。