Python自动化办公:批量识别图片文字并存为Excel

Posted 2022-06-04 Python学习与数据挖掘

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Python自动化办公:批量识别图片文字并存为Excel相关的知识，希望对你有一定的参考价值。

大家好，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。喜欢记得收藏、点赞、关注。

注：完整版代码、技术交流，文末获取

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：

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。

# 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。

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。

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)