基于OCR与自然语言处理的网站信息自动化采集方法及系统

本发明适用于信息采集技术领域，尤其涉及基于OCR与自然语言处理的网站信息自动化采集方法及系统，所述方法包括：根据采集任务访问相应的网站，对网站显示的画面进行截图，得到待识别截图；对待识别截图进行OCR识别，得到OCR识别结果，对OCR识别结果进行初步修正，得到待校验文本；构建结果校验图像，将待校验文本标记在结果校验图像中，提取差异区域图像；进行放大处理，得到局域放大截图并进行OCR识别，调整差异区域图像，重新进行比对，在重合度达到预设值时，输出网站信息采集结果。本发明通过对结果校验图像进行比对以判定文本识别的准确性，针对识别不准确的位置进行局部加强对比，从而提升信息采集的准确率，保证了数据采集的质量。