【发布时间】：2020-05-20 08:30:51
【问题描述】：
简介：
我正在尝试从大量文本的图像中获取某些文本。
光是想想，应该至少有两种方法可以处理这个问题：
一种方法是首先按文本区域对图像进行分割——例如，用一堆包含样本文本的样本图像训练神经网络，然后让训练好的模型定位相应的文本区域在真实图像中，然后从图像中裁剪出该区域，保存 - 然后使用，例如，pytesseract 将图像转换为字符串。
另一种方法是反转过程。首先将图像转换成字符串，然后用样本真实文本训练神经网络，然后让训练好的模型在图像转换的文本中找到对应的文本。
所以，我的问题列在下面：
可以在不训练神经网络的情况下解决这个问题吗？就运行程序所需的时间而言，它会比 NN 更有效 和 结果的准确性？
就运行程序所需的时间而言，在我编写的上述两种方法中，哪种更好和结果的准确性？
- 还有其他有经验的建议吗？
如有需要，可提供其他背景信息：
所以，我有几组不同网页的截图，每组都有很多文字。我想从大量文本中提取某些段落。我想提取的段落表达了相似的东西，但在不同的上下文中。
例如，在一个大型的混合在线论坛平台上，许多cmet是在不同的东西上制作的，有些是山水的，有些是政治的，有些是科学的……因为那个平台不能只有一页，所以必须有数百个页面，无数用户在其中制作他们的 cmets。现在我想从整个论坛，即从该平台的所有页面中，专门提取有关政治的 cmets。所以我会使用Python + Selenium 来抓取页面并保存屏幕截图。现在我们需要回到上面提出的问题。现在做什么？
更新：
只是一个想法过去了。可能由包含文本的图像训练的 NN 无法给出所需文本的非常准确的位置，因为 NN 可能只寻找像素的排列，而不是组成句子或段落的单词甚至含义。那么也许第二种方法，文本处理，在这种情况下可能会更好？ （比如NLP？）
【问题讨论】：
-
@Aaron 我试过了。但实际情况比给出的示例更复杂，大约是。相当于从不同论坛的页面中提取文本。如果我使用
css selectors或x path，我将需要手动复制数百甚至更多的东西，这效率低下并且很容易产生错误。所以我认为解决这个问题的最佳方法可能是使用图像。
标签： python-3.x image-processing web-scraping neural-network nlp