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/extractdata.py --images longimage.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

1. 1. 下载图片（从 URL 或本地）

↓

1. 2. 可选：裁切长图（N 等分）

↓

1. 3. Apple Vision OCR 识别

↓

1. 4. 正则提取结构化数据

↓

1. 5. 导出 Excel/CSV

📁 目录结构

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. 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. 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. 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