Python實現批次識別圖片文字並存為Excel

2022-06-07 14:06:57

一、背景

大家好，我是J哥。

也許你還記得，前不久復旦大學一博士生寫了130行Python程式碼，批次識別核酸截圖內容的故事。當時還被人民日報公眾號報道出來，誇讚用所學貢獻青春力量！

其實，批次文字識別（OCR）是Python辦公自動化的基本操作，應用在我們工作生活中的方方面面，比如車牌識別、證件識別、銀行卡識別、票據識別等等。

Python中OCR第三方庫非常多，比如easyocr、PaddleOCR、cnocr等等。當然，直接呼叫百度API也是可以的，不過超過一定限額後要收費，因此本文主要以開源免費的easyocr來進行介紹。

二、需求

本文以證件識別為例，我網上找了3張虛擬身份證來實驗：

運用easyocr進行識別並儲存為Excel，效果如下：

三、實戰

1.安裝模組

在Python中使用 easyocr非常簡單，只要使用pip命令安裝easyocr 即可（建議使用清華源，否則安裝會比較慢）。

pip install easyocr

不過 easyocr 的深度學習演演算法依賴於另一個著名的第三方模組 pytorch，圖形處理部分則會用到 opencv、Pillow 等，所以還需要確保自己電腦上已經安裝這些基礎模組。

2.識別一張圖片

1.easyocr識別圖片程式碼非常簡潔，只需要建立一個easyocr.Reader類物件，指定以下兩個常用引數：

需要識別的文字屬於哪幾種語言
是否啟用GPU顯示卡加速

2.呼叫Reader物件的readtext方法，將圖片中所有文字讀入一個列表並返回。

'''
公眾號：菜J學Python
作者：J哥
'''
# 匯入模組
import easyocr
# 圖片路徑
image = './id_card/1.jpg'
# 建立ocr的reader物件，識別中英文
ocr = easyocr.Reader(['ch_sim', 'en'],gpu=False)
# 識別圖片文字
content = ocr.readtext(image)
print(content)

識別結果如下：

[([[39, 31], [207, 31], [207, 67], [39, 67]], '姓名韋小寶', 0.8973890994570185), ([[40, 82], [159, 82], [159, 119], [40, 119]], '性別男', 0.9799311480828728), ([[178, 86], [272, 86], [272, 116], [178, 116]], '民族漢', 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]], '住址北京市東城區景山前街4號', 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]], '公民身份證號碼', 0.612808391503521), ([[212, 308], [526, 308], [526, 334], [212, 334]], '112044165412202438', 0.7003081027071493)]

readtext 返回的列表中，每個元素都是一個元組，內含三個資訊：位置、文字、置信度。我們可以在呼叫readtext時指定一個引數 detail=0，從而只返回文字內容。於是修改後程式碼和效果如下：

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

['姓名韋小寶', '性別男', '民族漢', '出生', '1654 年12', '20日', '住址北京市東城區景山前街4號', '紫禁城敬事房', '公民身份證號碼', '112044165412202438']

3.批次識別圖片

批次識別圖片無非就是遍歷圖片資料夾，這裡用到了os.listdir()方法以返回檔案列表。然後用ocr.readtext()去識別每一張圖片文字內容，接著通過字串切片來獲取姓名、性別、民族、出生、住址和身份證號等關鍵資訊，最後統一將這些資訊存入列表data中。

'''
公眾號：菜J學Python
作者：J哥
'''

import easyocr
import os

# 指明所有圖片所在的資料夾
images = './id_card'
# 建立ocr的reader物件，識別中英文
ocr = easyocr.Reader(['ch_sim', 'en'])
# 識別圖片文字
content = ocr.readtext(images,detail=0)
# 遍歷所有圖片並識別文字，切片提取有效資訊
data = []
for image in os.listdir(images):
    content = ocr.readtext(f'{images}/{image}', detail=0)
    print(f"正在識別：{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"完成識別：{image}")
    print("-" * 50)
    data.append([name, gender, nation, birth, address, number])

4.儲存資料

圖片文字識別之後，建議通過pandas輸出為Excel，方便簡潔。

'''
公眾號：菜J學Python
作者：J哥
'''

import pandas as pd

# 儲存識別結果至Excel
df = pd.DataFrame(data, columns=["姓名", "性別", "民族", "出生", "住址", "身份證號"])
print(f"識別結果如下：")
print(df)
df.to_excel("識別結果.xlsx", index=False)

到此這篇關於Python實現批次識別圖片文字並存為Excel的文章就介紹到這了,更多相關Python識別圖片文字內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！