Python Selenium抓取网页图片转文本并导出CSV的实现求助

先给明确结论：Selenium可以覆盖页面访问、元素定位、图片获取的全前置流程，只是图片内的文字识别（OCR）需要搭配额外识别能力完成，单靠Selenium本身没法直接从图片像素中提取文本，整体链路完全可以跑通。

1. 先修正现有定位代码的Bug #

• 你当前编写的XPath里的d1是笔误，标准HTML规范不存在这个标签，实际应该是div，不然Selenium会直接抛出元素找不到的异常
• 旧版本Selenium里的find_element_by_xpath写法已逐步废弃，统一使用By类引入的标准定位方式
• 不要硬编码写img[1]/img[2]的固定序号定位，直接一次性抓取目标区域下所有img元素，后续页面新增图片也不用调整定位逻辑，参考代码：

from selenium.webdriver.common.by import By
# 定位所有contact-text容器下的img元素
img_elements = driver.find_elements(By.XPATH, '//*[@class="contact-text"]/div/img')

• 规避懒加载问题：如果拿到的img元素通过get_attribute("src")返回的是占位图地址（比如1x1像素的base64空图），需要给页面加滚动逻辑触发图片加载，配合显式等待直到src替换为真实内容再抓取，避免拿到无效图片

2. 图片转文本的核心处理逻辑 #

定位到img元素后，按以下链路完成文字提取：

• 单张图片的源内容获取二选一即可：
  • 方法1（效率更高）：直接读取img元素的真实src地址，用请求库下载图片到本地临时路径
  • 方法2（无额外网络请求依赖）：对img元素直接调用img_element.screenshot("temp.png")方法，截取元素本身的像素内容存为本地文件
• 把本地图片文件传入本地OCR引擎做文字识别，拿到每张图片对应的文本内容

3. 结果写入CSV的实操注意点 #

• 用Python自带的csv模块即可完成写入，不需要额外引入重型依赖
• 打开CSV文件时必须指定encoding='utf-8-sig'，避免用Excel打开中文内容出现乱码
• 写入字段可以自定义为「来源页面URL」「图片序号」「OCR识别文本」三类，方便后续校验识别准确率

常见踩坑提醒 #

• 如果页面图片加了干扰性的艺术字、噪点，本地OCR识别准确率较低，可以搭配通用OCR接口做二次校验
• 抓取识别完成后记得清理临时存储的图片文件，避免占用磁盘空间

内容的提问来源于stack exchange，提问作者Joyce