Xhs Rental Ocr

从小红书笔记图片提取结构化数据（租金/面积/单价等），自动裁切长图 + OCR 识别 + 导出 Excel。 使用 Apple Vision 框架进行离线 OCR，支持中文识别。 Use when: 用户需要从小红书/社交媒体图片提取表格数据、价格信息、统计数据等。

小红书数据提取 OCR (XHS Rental OCR)

从小红书笔记图片中提取结构化数据（租金/面积/单价等），支持自动裁切长图、OCR 识别、导出 Excel。

🎯 适用场景

• 从小红书笔记提取租房/房价数据
• 从社交媒体图片提取表格数据
• 从长图/信息图提取统计信息
• 批量 OCR 识别并导出为 Excel/CSV

📦 安装

bash

# OpenClaw / Codex
git clone https://github.com/zhuobao/xhs-rental-ocr.git ~/.agents/skills/xhs-rental-ocr

🚀 快速开始

基础用法

bash

cd ~/.agents/skills/xhs-rental-ocr
python3 scripts/extract_data.py --url "https://www.xiaohongshu.com/explore/xxx" --output data.xlsx

高级用法

bash

# 从本地图片提取
python3 scripts/extract_data.py --images image1.jpg image2.jpg --output data.xlsx

# 裁切长图后识别（9 等分）
python3 scripts/extract_data.py --images long_image.jpg --slice 9 --output data.xlsx

# 导出 CSV 格式
python3 scripts/extract_data.py --images image.jpg --output data.csv

# 指定识别语言（中文 + 英文）
python3 scripts/extract_data.py --images image.jpg --languages "zh-Hans,en-US"

📋 工作流程

text

1. 下载图片（从 URL 或本地）
   ↓
2. 可选：裁切长图（N 等分）
   ↓
3. Apple Vision OCR 识别
   ↓
4. 正则提取结构化数据
   ↓
5. 导出 Excel/CSV

📁 目录结构

text

xhs-rental-ocr/
├── SKILL.md              # 技能描述（本文件）
├── scripts/
│   ├── extract_data.py   # 主脚本
│   └── vision_ocr.py     # OCR 模块
├── examples/
│   └── sample_output.xlsx
└── README.md             # 详细文档

🔧 依赖

• Python 3.9+
• Pillow（图片处理）
• pyobjc-framework-Vision（macOS OCR）
• pyobjc-framework-Cocoa
• openpyxl（Excel 导出）

安装依赖：

bash

pip3 install pillow openpyxl pyobjc-framework-Vision pyobjc-framework-Cocoa

📤 输出格式

Excel 列

列名	说明
序号	记录编号
图片	来源图片
区域	区域名称（如识别到）
板块	小区/板块（如识别到）
户型	户型（如识别到）
面积 (平)	建筑面积
月租金 (元)	月租金
单价 (元/平)	每平米单价
备注	其他信息

支持的数据模式

1. 租房数据：租金、面积、单价
2. 房价数据：总价、单价、面积
3. 通用表格：自动检测数字 + 单位

🎨 示例

示例 1：提取小红书租房数据

bash

python3 scripts/extract_data.py \
  --url "https://www.xiaohongshu.com/explore/69be073b000000002302339e" \
  --output rental_data.xlsx

输出：

• 824-1295 条租房记录
• 包含区域、小区、户型、面积、租金、单价

示例 2：裁切长图识别

bash

python3 scripts/extract_data.py \
  --images screenshot.png \
  --slice 9 \
  --output extracted_data.xlsx

说明：将长图裁切成 9 份，分别 OCR 后合并结果。

⚙️ 配置选项

参数	说明	默认值
--url	小红书笔记 URL	-
--images	本地图片路径（可多个）	-
--output	输出文件路径	output.xlsx
--slice	长图裁切份数	1（不裁切）
--languages	OCR 语言	zh-Hans,en-US
--confidence	最低置信度	0.3
--format	输出格式	xlsx

🔍 OCR 技术细节

使用 Apple Vision 框架：

• 离线识别，无需网络
• 支持 30+ 语言
• 中文识别准确率高
• 自动检测文字方向

优化策略：

1. 高分辨率图片优先
2. 长图裁切提高识别率
3. 置信度过滤（默认>0.3）
4. 正则提取结构化数据

📝 注意事项

1. macOS 专属：依赖 Apple Vision 框架
2. 图片质量：建议使用高清原图
3. 长图处理：超过 2000px 高度的图片建议裁切
4. 数据验证：OCR 结果可能包含异常值，建议手动检查

🤝 贡献

欢迎提交 Issue 和 Pull Request！

GitHub: https://github.com/zhuobao/xhs-rental-ocr

📄 License

MIT License

🙏 致谢

• Apple Vision Framework
• MiniMax Skills (灵感来源)
• OpenClaw Community