Python自动化办公:批量识别图片文字并存为Excel

大数据DT

共 5231字,需浏览 11分钟

 ·

2022-06-12 21:13

导读:OCR是Python办公自动化的基本操作。


作者:菜J
来源:菜J学Python(ID:caijxuepy)




01 背景

也许你还记得,前不久复旦大学一博士生写了130行Python代码,批量识别核酸截图内容的故事。当时还被人民日报公众号报道出来,夸赞用所学贡献青春力量!

其实,批量文字识别(OCR)是Python办公自动化的基本操作,应用在我们工作生活中的方方面面,比如车牌识别、证件识别、银行卡识别、票据识别等等。

Python中OCR第三方库非常多,比如easyocrPaddleOCRcnocr等等。当然,直接调用百度API也是可以的,不过超过一定限额后要收费,因此本文主要以开源免费的easyocr来进行介绍。


02 需求

本文以证件识别为例,我网上找了3张虚拟身份证来实验:


运用easyocr进行识别并保存为Excel,效果如下:



03 实战

1. 安装模块

在Python中使用 easyocr非常简单,只要使用pip命令安装easyocr 即可(建议使用清华源,否则安装会比较慢)。

pip install easyocz

不过 easyocr 的深度学习算法依赖于另一个著名的第三方模块 pytorch,图形处理部分则会用到 opencvPillow 等,所以还需要确保自己电脑上已经安装这些基础模块。

2. 识别一张图片

1)easyocr识别图片代码非常简洁,只需要创建一个easyocr.Reader类对象,指定以下两个常用参数:

  • 需要识别的文字属于哪几种语言
  • 是否启用GPU显卡加速

2)调用Reader对象的readtext方法,将图片中所有文字读入一个列表并返回。

'''
公众号:菜J学Python
作者:J哥
'''

# 导入模块
import easyocr
# 图片路径
image = './id_card/1.jpg'
# 创建ocr的reader对象,识别中英文
ocr = easyocr.Reader(['ch_sim''en'],gpu=False)
# 识别图片文字
content = ocr.readtext(image)
print(content)

识别结果如下:

[([[3931], [20731], [20767], [3967]], '姓  名  韦小宝'0.8973890994570185), ([[4082], [15982], [159119], [40119]], '性  别  男'0.9799311480828728), ([[17886], [27286], [272116], [178116]], '民 族汉'0.5456928014755249), ([[40131], [100131], [100161], [40161]], '出  生'0.5362269878387451), ([[114134], [240134], [240162], [114162]], '1654 年12'0.6952526392609933), ([[266134], [322134], [322162], [266162]], '20日'0.31329770168285426), ([[42181], [395181], [395213], [42213]], '住  址  北京市东城区景山前街4号'0.48138251996753667), ([[112222], [256222], [256254], [112254]], '紫禁城敬事房'0.9732440311960702), ([[44307], [195307], [195337], [44337]], '公民身份证号码'0.612808391503521), ([[212308], [526308], [526334], [212334]], '112044165412202438'0.7003081027071493)]

readtext 返回的列表中,每个元素都是一个元组,内含三个信息:位置、文字、置信度。我们可以在调用readtext时指定一个参数 detail=0,从而只返回文字内容。于是修改后代码和效果如下:

import easyocr
image = './id_card/1.jpg'
ocr = easyocr.Reader(['ch_sim''en'],gpu=False)
content = ocr.readtext(image,detail=0)
print(content)

['姓  名  韦小宝''性  别  男''民 族汉''出  生''1654 年12''20日''住  址  北京市东城区景山前街4号''紫禁城敬事房''公民身份证号码''112044165412202438']

3. 批量识别图片

批量识别图片无非就是遍历图片文件夹,这里用到了os.listdir()方法以返回文件列表。然后用ocr.readtext()去识别每一张图片文字内容,接着通过字符串切片来获取姓名、性别、民族、出生、住址和身份证号等关键信息,最后统一将这些信息存入列表data中。

'''
公众号:菜J学Python
作者:J哥
'''


import easyocr
import os

# 指明所有图片所在的文件夹
images = './id_card'
# 创建ocr的reader对象,识别中英文
ocr = easyocr.Reader(['ch_sim''en'])
# 识别图片文字
content = ocr.readtext(images,detail=0)
# 遍历所有图片并识别文字,切片提取有效信息
data = []
for image in os.listdir(images):
    content = ocr.readtext(f'{images}/{image}', detail=0)
    print(f"正在识别:{image}")
    name = content[0][4:]
    gender = content[1][-1]
    nation = content[2][-1]
    birth = content[-5]
    if "月" not in birth:
        birth = content[-6] + "月" + content[-5]
    if "日" not in birth:
        birth = birth[:-1] + "日"
    address = content[-4][4:] + content[-3]
    number = content[-1]
    print(f"完成识别:{image}")
    print("-" * 50)
    data.append([name, gender, nation, birth, address, number])

4. 保存数据

图片文字识别之后,建议通过pandas输出为Excel,方便简洁。

'''
公众号:菜J学Python
作者:J哥
'''


import pandas as pd

# 保存识别结果至Excel
df = pd.DataFrame(data, columns=["姓名""性别""民族""出生""住址""身份证号"])
print(f"识别结果如下:")
print(df)
df.to_excel("识别结果.xlsx", index=False)


延伸阅读👇


延伸阅读《深度实践OCR》


干货直达👇


更多精彩👇

在公众号对话框输入以下关键词
查看更多优质内容!

读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手
大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 数学 | 算法 数字孪生

据统计,99%的大咖都关注了这个公众号
👇
浏览 11
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报