使用微信OCR识别表格图片并写入Excel

1. 需求内容

前几天在RPA的接单群看到发布了这么一条需求，需求内容是需要抓取网页的数据，但是网页的数据是加密的，直接抓取的结果是乱码，当然可以采用对网页的JS进行逆向，破解文字加密的算法，但是难度会有点高，另一种方案就是对网页中的表格进行截图，然后再进行OCR识别，最后将识别的结果写入Excel中，这也是需求中建议的方式，原始需求如下：

原始的html如下：

2. 实现

使用GoBot结合之前我们讲的白嫖微信OCR的方法，还是很容易解决该问题的，开发的工作流如下：

关键步骤解析如下：

1. 连接到浏览器，然后跳转到目标网页
2. 新建一个Excel文件用于写入结果
3. 开始循环
4. 截图
5. 下滑一页
6. OCR识别
7. 处理OCR结果，还原表格结构
8. 将表格数据写入到Excel中
9. 判断是否需要结束循环，如果不满足条件，则继续4-8的循环
10. 保存Excel并关闭 针对上述的流程，有2个难点，一个是表格结构的还原，因为微信OCR识别结果是包含坐标的，我们可以根据坐标将表格结果还原，Python代码如下：

def ocr_to_table(data):
    results = []
    for item in data:
        y = item["pos"].get('y',0)
        if len(results) == 0:
            results.append([item])
            continue
        matched = False
        for result in results:
            if y + 10 > result[0]["pos"].get('y',0) > y - 10:
                result.append(item)
                matched = True
                break
        if not matched:
            results.append([item])
    sorted(results, key=lambda x: x[0]["pos"].get('y',0))
    for result in results:
        sorted(result, key=lambda x: x["pos"].get('y',0))
    return results

第二个难点是，翻页截图的时候，前后2张截图可能会有数据重合，而且OCR识别的时候会把图片上下边缘的一些文字给识别进去，流程里是使用字典进行了处理，当识别出的一行的列数大于5的时候才会进行处理，每次写入前会判断字典中是否有对应的数据，如果已经有了，则说明写入过了，则不进行写入了，没有才进行写入，并同步保存到字典中。

3. 结果

最后，会把网页的截图保存在电脑中，并将识别的结果写入到Excel中。

RPA很适合做一些重复的规则固定的事情，使用RPA也可以大大节省人工，如果你有类似的需求，欢迎关注。