#!/usr/bin/env python# _*_ coding:utf-8 _*_#这一节是数144页从网站图片抓取文字的代码，#需要安装tesseract，它是开源的可以通过训练识别出字体的库import timefrom urllib.request import urlretrievefrom selenium import webdriver#创建新的selenium drivedriver=webdriver.phantomjs(executable_path='D:/pycharm/phantomjs-2.1.1-windows/bin/phantomjs')#用selenium试试firefox浏览器，运行有问题则删除下面这行代码driver=webdriver.Firefox()driver.get("/War-Peace-Leo-Nikolayevich-Tolstoy/dp/1427030200")time.sleep(2)#单击图书预览按钮driver.find_element_by_id("sitbLogoImg").click()imageList=set()#等待页面加载完成time.sleep(5)#当向右箭头可以点击时，开始翻页while "pointer" in driver.find_element_by_id("sitbReaderRightPageTurner").get_attribute("style"):driver.find_element_by_id("sitbReaderRightPageTurner").click()time.sleep(2)#获取加载的页面，一次可以加载多个页面，但是重复的页面不能加载到集合中pages=driver.find_element_by_xpath("//div[@class='pageImage']/div/img")for page in pages:image=page.get_attribute("src")imageList.add(image)driver.quit()#用Tesseract处理收集的图片url的链接for image in sorted(imageList):urlretrieve(image,"page.jpg")#系统调用tesseract，由于没有安装，因此下面这行代码有错就先注释，在运行中需要安装加解注释#p=subprocess.Popen(["tesseract","page.jpg","page"],stdout=subprocess.PIPE,stderr=subprocess.PIPE)#p.wait()f=open("page.txt","r")print(f.read())
如果觉得《第十一章 从网站图片中抓取文字》对你有帮助，请点赞、收藏，并留下你的观点哦！
