jpcrespo/scraptext

Se obtiene fotogramas y busca texto dentro de cada uno. Realiza un conteo barriendo todo el texto encontrado las palabras mas relevantes resultando en un ranking.

Scraptext

Este proyecto contiene la siguiente raiz:

    - scrap.py

Cuando se corre por primera vez crea una carpeta <<videos>> donde se deben cargar los videos a analizar. Al volver a correr scrap.py va analizando uno a uno los videos del directorio.

1. scrap.py crea temporalmente la carpeta <<aux>> donde guarda un fotograma por cada segundo de video. Posteriormente analiza cada imagen reconociendo el texto para escribirlo en un archivo de texto plano con el mismo nombre del video analizado. Una vez finalizado el análisis borra la carpeta.

2. scrap.py genera un archivo de texto plano con el texto reconocido en el video. Posteriormente se analiza mediante un procesador neural de lenguaje al archivo, identificando palabras en español (muchas veces por el ruido de distintos factores, se reconocen y cuelan caracteres ascii en el reconocimiento) para hacer un conteo de las 5 palabras más repetidas. Este se almacena en la carpeta <<logs>> bajo el mismo nombre del video, cada archivo contiene una lista de las cinco palabras de mayor a menor frecuencia.

Para poder utilizar el script se debe tener instalado los frameworks:

• OpenCV.
• Tesseract.
• stanza

En Debian se instalan con:

sudo apt install tesseract-ocr-spa
sudo apt install libgtk2.0-dev 
sudo apt install libopencv-dev

Adicionalmente los paquetes:

pip install pytesseract
pip install stanza

Para correr el programa:

python scrap.py