- name
- xhs-rental-ocr
- description
- |
- license
- MIT
- metadata
- version
- 1.0.0
- category
- data-extraction
- platforms
- requires
- bins
- env
- []
- capabilities
- author
- name
- zhuobao
- url
- https://github.com/zhuobao
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
# 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
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
# 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
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
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：
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
- 租房数据：租金、面积、单价
- 房价数据：总价、单价、面积
- 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
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
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：
- 高分辨率图片优先
- 长图裁切提高识别率
- 置信度过滤（默认>0.3）
- 正则提取结构化数据
📝 注意事项
- macOS 专属：依赖 Apple Vision 框架
- 图片质量：建议使用高清原图
- 长图处理：超过 2000px 高度的图片建议裁切
- 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