如何从图像中提取所需的文本部分，而不是使用 OCR 提取图像中的所有文本？

Posted 2023-03-16

【中文标题】如何从图像中提取所需的文本部分，而不是使用 OCR 提取图像中的所有文本？

【英文标题】：How to extract the required parts of the text from the image instead of extracting all the text in an image using OCR?

【发布时间】：2021-12-18 23:59:25

【问题描述】：

以下是一些交易图像，我将它们从 PDF 文件转换为图像 (jpg)。

从 PDF 转换的图像

BCA Bank Maybank

现在，如何使用任何 OCR Python 包从图像（红色圆圈）中提取所需的文本部分，如下所示？

要提取的部分文本

BCA Bank Maybank

注意：我将 PDF 文件转换为图像 (jpg) 的原因是某些 PDF 文件是扫描的 PDF 文件，这意味着它们不是原生 PDF 文件。 我在上面展示的图像是从原生 PDF 文件转换而来的。

【参考方案1】：

好的，所以我建议删去上面图片中的银行数据（如果这些是公司/人的真实陈述......）。作为一个实验，我将图像的大小调整为 3 倍（因此调整了像素坐标），并在此处做了几个部分的示例。

#!/usr/bin/env python3
import pytesseract
from PIL import Image
from pprint import pprint

with Image.open("BCA_Bank.png") as img:
    img = img.resize((img.width*3, img.height*3))
    # Do a binary threshold on the image to make it solid black & white
    # the top two sections needed a different value than the bottom
    # because of font weight.
    topimg = img.convert("L").point(lambda p: 255 if p > 85 else 0).convert('1')
    bottomimg = img.convert("L").point(lambda p: 255 if p > 200 else 0).convert('1')

    sec1 = topimg.crop((29*3, 82*3, 358*3, 174*3))
    sec2 = topimg.crop((574*3, 83*3, 749*3, 163*3))
    tanggal = bottomimg.crop((41*3, 310*3, 86*3, 842*3))
    keterangan1 = bottomimg.crop((107*3, 291*3, 230*3, 757*3))
    keterangan2 = bottomimg.crop((239*3, 291*3, 388*3, 757*3))

    # This will open all 5 sections in temporary windows as image previews
    sec1.show()
    sec2.show()
    tanggal.show()
    keterangan1.show()
    keterangan2.show()

    # This could be abstracted so as not to be repetetive.
    sec1_text = pytesseract.image_to_string(sec1, config="--psm 6", lang="ind")
    sec2_text = pytesseract.image_to_string(sec2, config="--psm 6", lang="ind")
    tanggal_col = pytesseract.image_to_string(tanggal, config="--psm 4", lang="ind")
    keterangan1_col = pytesseract.image_to_string(keterangan1, config="--psm 4", lang="ind")
    keterangan2_col = pytesseract.image_to_string(keterangan2, config="--psm 4", lang="ind")

    headers = ["SEC1", "SEC2", "TANGGAL", "KETERANGAN1", "KETERANGAN2"]  #"CBG", "MUTASI", "SALDO"]
    col_data = [
        sec1_text.strip().splitlines(),
        sec2_text.strip().splitlines()
    ] + [
        [line.strip() for line in col.splitlines() if line]
        for col in [tanggal_col, keterangan1_col, keterangan2_col]
    ]
    pprint(dict(zip(headers, col_data)))

这只有在所有工作表的大小和结构几乎完全相同时才有效——因为.crop 调用专门从图像中选择框。

我不喜欢 pandas/numpy，所以我确信有一种更 Python 的方法可以使用这些库中的一个或两个来构造来自 tesseract 的解析数据。

*注意关于--psm 选项：

--psm 4 的意思是“假设有一列可变大小的文本。” --psm 6 表示“假设一个统一的文本块。”

在终端中，输入 tesseract --help-psm 了解更多信息。