关于该数据集的特征的使用可参考我之前的博客：
- 使用 python 获取 CASIA 脱机和在线手写汉字库
- python 获取 CASIA 脱机和在线手写汉字库 （二）
- MPF(Bunch) 转换为 HDF5
手写单字的离线与在线的图片是分别以 .gnt 与 .pot 格式进行编码的。下面先看看离线的手写单字长什么样？
1.4.1 离线手写单字的图片解析首先要获取离线手写单字的图片文件：
image_s = [f'{root}/{name}' for name in os.listdir(root) if 'gnt' in name] # 图片的源文件
image_s
输出结果：
['E:/OCR/CASIA/data/HWDB1.0trn_gnt.zip',
'E:/OCR/CASIA/data/HWDB1.0tst_gnt.zip',
'E:/OCR/CASIA/data/HWDB1.1trn_gnt.zip',
'E:/OCR/CASIA/data/HWDB1.1tst_gnt.zip']
先定义一个 gnt 解码器：
class GNT:
# GNT 文件的解码器
def __init__(self, Z, set_name):
self.Z = Z
self.set_name = set_name # 数据集名称
def __iter__(self):
with self.Z.open(self.set_name) as fp:
head = True
while head:
head = fp.read(4)
if not head: # 判断文件是否读到结尾
break # 读到文件结尾立即结束
head = struct.unpack('I', head)[0]
tag_code = fp.read(2).decode('gb2312-80')
width, height = struct.unpack('2H', fp.read(4))
bitmap = np.frombuffer(fp.read(width*height), np.uint8)
img = bitmap.reshape((height, width))
yield img, tag_code
选择 HWDB1.0trn_gnt.zip 数据子集作为示范来说明 GNT 的使用：
Z = zipfile.ZipFile(f'{root}/HWDB1.0trn_gnt.zip')
Z.namelist()
输出结果：
['1.0train-gb1.gnt']
由输出结果知道 HWDB1.0trn_gnt.zip 仅仅封装了一个数据 '1.0train-gb1.gnt'，下面直接传入 GNT 类：
set_name = '1.0train-gb1.gnt'
gnt = GNT(Z, set_name)
for imgs, labels in gnt: # 仅仅查看一个字
break
为了更加直观，引入可视化包：
%matplotlib inline
from matplotlib import pyplot as plt
这样便可以查看图片了：
plt.imshow(imgs)
plt.title(labels)
plt.show()
输出结果：
可以看出，此时报错了，说缺少字体。实际上，这是 matplotlib 的默认设置不支持汉字，为了让其支持汉字，需要如下操作：
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
接下来便可以正常显示了：
plt.imshow(imgs) plt.title(labels);
显示截图：
可以查看 '1.0train-gb1.gnt' 总有多少字符？
labels = np.asanyarray([l for _, l in gnt])
labels.shape[0]
输出：
1246991
故而，'1.0train-gb1.gnt' 总有 124699112469911246991 个字符，与官网提供的信息一致。
关于在线单字的图片解读请移步到我的 GitHub：https://xinetzone.github.io/loader/。并且也做了一个预发布版本：CASIA-HWDB & CASIA-OLHWDB。
