Python自动化办公:批量识别图片文字并存为Excel
↑ 关注 + 星标 ,每天学Python新技能
后台回复【大礼包】送你Python自学大礼包
一、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easyocr
、PaddleOCR
、cnocr
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。
二、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:
三、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 easyocr
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 opencv
、Pillow
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:
[([[39, 31], [207, 31], [207, 67], [39, 67]], '姓 名 韦小宝', 0.8973890994570185), ([[40, 82], [159, 82], [159, 119], [40, 119]], '性 别 男', 0.9799311480828728), ([[178, 86], [272, 86], [272, 116], [178, 116]], '民 族汉', 0.5456928014755249), ([[40, 131], [100, 131], [100, 161], [40, 161]], '出 生', 0.5362269878387451), ([[114, 134], [240, 134], [240, 162], [114, 162]], '1654 年12', 0.6952526392609933), ([[266, 134], [322, 134], [322, 162], [266, 162]], '20日', 0.31329770168285426), ([[42, 181], [395, 181], [395, 213], [42, 213]], '住 址 北京市东城区景山前街4号', 0.48138251996753667), ([[112, 222], [256, 222], [256, 254], [112, 254]], '紫禁城敬事房', 0.9732440311960702), ([[44, 307], [195, 307], [195, 337], [44, 337]], '公民身份证号码', 0.612808391503521), ([[212, 308], [526, 308], [526, 334], [212, 334]], '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)