python3+tesseract获取美股PEG图像上的数据

96
干土
2018.06.10 19:39* 字数 422

1. 缘起

投资了一点美股,总要参考个股资料的(虽然巴菲特老人家觉得分析技术资料没有用),发现一个一个查找,效率太低了。于是想起来用Python写个爬虫程序。话说,不偷懒的码农不是好的码农。发些一般股票app上没有PEG指标(参考股神彼得林奇相关资料)!但是Nasdaq官网上有。

举个栗子:阿里巴巴PEG如下


阿里巴巴PEG


PEG的值竟然是图片形式的!所以任务就是下载一堆图片,然后识别图片上文字(OCR),马上着手行动。

2. 读取文本

自选股列表:



读取文本代码:


3. 下载PEG图片



4. 裁剪图像,获取ROI区域

用到OpenCV  Python版本



效果如下:


5. 分割数字

直接用tesseract识别,出现 Empty page的错误,猜想tesseract不能处理噪声或者干扰图像,

所以需要对图像进行预处理,而且要把数字图像分割出来。

用到cv2.SimpleBlobDetector_create()




效果如下:


6. 用tesseract OCR识别数字

用到下列命令

tesseract filename -psm 7 stdout digits

digits表示只识别数字

7. 最终结果如下:

启动代码

python3 mystock.py 

基本上满足需求,不算完美,0.99 识别为0.55,识别率不算太高,后续加入训练数据,应该可以提升识别率。一件看似简单的事情,做到极致还是不容易的。

8. 完整代码见GitHub

https://github.com/ErikZhou/python-ocr

日记本
Web note ad 1