可以从网页抓取图片，将其转化为数字并保存到文件中吗？

Question

我知道这几乎是不可能的（如果我确定100%不可能，我就不会问这个问题了）

我想获取所有的黎巴嫩彩票号码，我找到的唯一网站是这个、这个和这个。我联系了这些网站，问他们能不能提供一个Excel或CSV文件，一个没有回复，一个说你看到的就是全部，他们不提供文件，第三个给了我一个ods文件，但里面有很多缺失的结果和错误的结果。

我只是想要这些结果用于个人项目，既然网站管理员不帮我，我要么得黑进他们的数据库（如果我是匿名用户，这应该比较简单），要么就得抓取图片，把它们转换成数字，然后保存到CSV文件里或者其他格式。

如果只是文本，我可以用beautifulsoup来处理，但抓取图片、把它们转换成数字并存储为CSV文件的行，这可能吗？

我最喜欢的编程语言是Python，但只要能完成这个任务，我接受任何语言。

Answer 1

首先，我建议你看看 HtmlAgilityPack，这个工具可以帮助你抓取网页上的图片。这里有一个 使用示例。之后，你可以使用 python-tesseract 这个工具，它是 tesseract-ocr（一个用C++写的库）的一个封装，用来进行光学字符识别。

Answer 2

这完全是可以做到的。在Python中，你可以使用scikit库（http://scikit-image.org/）；通过这个库，你可以“读取”一张图片，并把它保存成一个数字矩阵。为了这个目的，最好把图片保存为“黑白”格式，这样你就会得到一个单一的矩阵，每个数字对应一个像素，数值范围从0到255，表示灰度。通过这个矩阵，你可以识别出数字的模式，并把它们保存为文本。虽然这工作量很大，但绝对是可以实现的。

Matlab也可以很容易地“读取”图片，并把它们转换成矩阵。

Answer 3

import requests
import lxml, lxml.html

r = requests.get('http://www.lldj.com/pastresult.php')

html = lxml.html.fromstring(r.text)

imgs =  html.cssselect('img')

for x in imgs:
    src = x.attrib['src']
    if src.startswith('images/Balls'):
        print src[-6:-4]

结果（2014年10月7日的抽奖结果1212）：

04
19
30
32
38
42
34

---

对于其他页面，网址中有抽奖号码（1154），这样你就可以获取任何抽奖的结果。

import requests
import lxml, lxml.html

r = requests.get('http://www.lebanon-lotto.com/lebanese-loto-results/draw-number/1154.php')

html = lxml.html.fromstring(r.text)

imgs =  html.cssselect('img')

for x in imgs:
    src = x.attrib['src']
    #print src
    if 'lotto_balls_gray' in src:
        print src[-6:-4]

结果：

01
03
12
14
16
32
30