Распознование email с картинки

[BPOH]

Подскажите пожалуйста, давно встречал на форуме у кого-то в статье, что он капмонстром распознавал текст на картинке, не могу найти эту статью
На картинках эмейл как распознать текст капмонстром? или может кто знает другой полезный в этой задаче инструмент?

 

[melutsk]

https://zennolab.com/discussion/threads/s-zennoposter-tesseract-net-sdk.26559/

 

[BPOH]

Сейчас опопробуем, спасибо!

 

[BPOH]

Эх почти сработало, много где @ как e определяет в общем %20 распознает
anuakash87euahoo.com

 

[one]

Собрать картинки, распознать в ручную и обучить собственный модуль.

 

[one]

Эх почти сработало, много где @ как e определяет в общем %20 распознает
anuakash87euahoo.com

Обучить модуль получше надо. Думаю будет определять на 100%.

 

[BPOH]

Обучить модуль получше надо. Думаю будет определять на 100%.

Как его обучить?) я тут рядом уже один 15 летний модуль заставил обрабатывать текст
Ато модуль уже ноет после 100 эмейлов

 

[melutsk]

Эх почти сработало, много где @ как e определяет в общем %20 распознает
anuakash87euahoo.com

Если это паблик домены, то можно проверку сделать и чтобы правило если что на глаз.

 

[one]

Как его обучить?)

Помотреть обучающее видео от Rostonixa для начала.

 

[BPOH]

Если это паблик домены, то можно проверку сделать и чтобы правило если что на глаз.

Сильно сложно, даже приблизительно в голове структуры нет как это реализовать

Помотреть обучающее видео от Rostonixa для начала.

Буду благодарен за ссылку

 

[DrunkDeath]

Помню парсил сайт один, такая же ситуёвина была. Гадал через капмонстра. Всё отлично гадалось

 

[BPOH]

Помню парсил сайт один, такая же ситуёвина была. Гадал через капмонстра. Всё отлично гадалось

К сожалению нет капмонстра

 

[BPOH]

На python через tesseract нашел пример но тоже не полностью распознает Zamatoffemail.ru

melutsk жэ и дал ссылку на модуль тесеракта, ато сравнил результат одинаковый прочитал название темы и точно...

 

[The_vAe]

К сожалению нет капмонстра

Купите по скидке, думаю оно того стоит

Спойлер: Цены

 

[BPOH]

Купите по скидке, думаю оно того стоит

Да я в серьез задумаюсь над покупкой этого прекрасного инструмента, спасибо

 

[BPOH]

Решил так: стакнул 1000 изображений в одно и загрузил на гугл диск открыл картинку как документ весь текст автоматически распознан
Подключаем 15 летний модуль через месяц у вас 400к эмейлов, вы прекрасны

from PIL import Image


def save_image(b):
    b1 = 0
    img = Image.new('RGB', (256, 20 * 1000))
    for i in range(1000):
        if b == 459412:
            img.save(f"out{b}.jpg")
            exit(0)
        img1 = Image.open(f'img\img{b}.jpg')
        img.paste(img1, (0, 0 + b1))
        print(f'img{b}.jpg')
        b +=1
        b1 += 20

    img.save(f"out{b}.jpg")

b = 1
for i in range(400):
    save_image(b)
    b += 1000

 

[one]

вы прекрасны

... уникальны ине повтаримы! ))))

 

[BPOH]

К стати опытным путем было выяснено, может будущим поколениям пригодится, не знаю с чем связано версия одна и таже и python и версия tesseract, в linux она распознает один и тотже набор текстов с дефолтной библиотекой на 30-40% больше.

 

[luk911]

В GSA captcha breyker - есть возможность побыренькому в разделе sdk подобрать фильтр для распознавания. Так как текст там скорее всего не сильно искажен, то можно это сделать быстро. И SDK модуль работает даже когда демо закончилось. Так что можно быстрее чем через месяц щелкнуть эту штуку.

 

[Geograph]

если шрифт не изменяется, то вполне можно сделать на C# - режете картинку на буквы и в массив загоняете 1 - есть цвет, 0 - нет цвета, потом сравниваете.

 

[BPOH]

В GSA captcha breyker - есть возможность побыренькому в разделе sdk подобрать фильтр для распознавания. Так как текст там скорее всего не сильно искажен, то можно это сделать быстро. И SDK модуль работает даже когда демо закончилось. Так что можно быстрее чем через месяц щелкнуть эту штуку.

Попробовал за пол часа не разобрался, с фильтрами наигрался но с трудом пару букв угадал, архив с картинками прикреплю, может кто потренироваться надумает.

если шрифт не изменяется, то вполне можно сделать на C# - режете картинку на буквы и в массив загоняете 1 - есть цвет, 0 - нет цвета, потом сравниваете.

В шарпе к сожалению не силен

 

[Geograph]

Спойлер: С# код

public static string RecognizeEmail(Image image)
{
    var letters = new Dictionary<uint, string>
    {
        {1288792489, "" },
        {1626703122, "@"},
        {1769998881, "."},
        {1493272944, "_"},
        {3197976267, "-"},
        {3909147509, "a"},
        {376842207,  "b"},
        {1799116282, "c"},
        {2498030206, "d"},
        {2745527567, "e"},
        {3608642261, "f"},
        {3698512107, "g"},
        {285210550,  "h"},
        {2592223230, "i"},
        {3549459756, "j"},
        {2839448178, "k"},
        {2466444227, "l"},
        {1337034184, "m"},
        {1616237527, "n"},
        {2276519761, "o"},
        {1450716019, "p"},
        {1107090806, "r"},
        {3198435235, "s"},
        {3016806566, "t"},
        {4279155678, "u"},
        {2627837479, "v"},
        {3402494643, "x"},
        {1314130073, "y"},
        {3782604024, "z"},
        {2465172642, "L"},
        {1591944625, "M"},
        {2427343186, "0"},
        {1230207695, "1"},
        {3381667143, "2"},
        {3116171335, "3"},
        {1264925335, "4"},
        {2013810758, "5"},
        {4015866205, "6"},
        {448374844,  "7"},
        {3675590149, "8"},
        {2806702695, "9"},
    };

    var answer = "";
    var imgs = SplitImage(image, 9, 20);
    foreach (var img in imgs)
    {
        var crc32 = Crc32(img);
        if (letters.ContainsKey(crc32))       
            answer += letters[crc32];
        else
        {
            answer += "?";
            img.Save(crc32 + ".png", ImageFormat.Png);
        }
    }
    
    return answer;
}

public static Image[] SplitImage(Image image, int width, int height)
{
    var list = new List<Image>();
    using (Bitmap bmpImage = new Bitmap(image))
    {
        for (int x = 0; x < image.Width / width; x++)       
            for (int y = 0; y < image.Height / height; y++)           
                list.Add(bmpImage.Clone(new Rectangle(x * width, y * height, width, height), bmpImage.PixelFormat));
        return list.ToArray();
    }
}

public static uint Crc32(Image image)
{
    using (var m = new MemoryStream())
    {
        image.Save(m, ImageFormat.Bmp);
        var source = m.ToArray();
        var crc_table = new uint[256];
        uint crc;
        for (uint i = 0; i < 256; i++)
        {
            crc = i;
            for (uint j = 0; j < 8; j++) crc = (crc & 1) != 0 ? (crc >> 1) ^ 0xEDB88320 : crc >> 1;
            crc_table[i] = crc;
        }
        crc = 0xFFFFFFFF;
        foreach (byte s in source) crc = crc_table[(crc ^ s) & 0xFF] ^ (crc >> 8);
        crc ^= 0xFFFFFFFF;
        return crc;
    }
}

Вроде работает, рубит картинку на символы 9x20 пикселей, от каждой берёт Crc32-хэш и сравнивает с таблицей, не было букв "w" и "q" сам добавишь, если встретишь, еще иногда большие буквы встречаются и неправильные email'ы (с пробелами, без доменов)

 

[BPOH]

Спасибо огромное!