Python自動化辦公:批量識別圖片文字并存為Excel

一、背景

也許你還記得，前不久復(fù)旦大學(xué)一博士生寫了130行Python代碼，批量識別核酸截圖內(nèi)容的故事。當(dāng)時還被人民日報公眾號報道出來，夸贊用所學(xué)貢獻青春力量！

其實，批量文字識別（OCR）是Python辦公自動化的基本操作，應(yīng)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(jù)識別等等。

Python中OCR第三方庫非常多，比如easyocr、PaddleOCR、cnocr等等。當(dāng)然，直接調(diào)用百度API也是可以的，不過超過一定限額后要收費，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(wǎng)上找了3張?zhí)摂M身份證來實驗：

運用easyocr進行識別并保存為Excel，效果如下：

三、實戰(zhàn)

1.安裝模塊

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(xué)習(xí)算法依賴于另一個著名的第三方模塊 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(jīng)安裝這些基礎(chǔ)模塊。

2.識別一張圖片

1.easyocr識別圖片代碼非常簡潔，只需要創(chuàng)建一個easyocr.Reader類對象，指定以下兩個常用參數(shù)：

• 需要識別的文字屬于哪幾種語言

• 是否啟用GPU顯卡加速

2.調(diào)用Reader對象的readtext方法，將圖片中所有文字讀入一個列表并返回。

'''
公眾號：菜J學(xué)Python
作者：J哥
'''
#?導(dǎo)入模塊
import?easyocr
#?圖片路徑
image?=?'./id_card/1.jpg'
#?創(chuàng)建ocr的reader對象，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(jié)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(qū)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(nèi)含三個信息：位置、文字、置信度。我們可以在調(diào)用readtext時指定一個參數(shù) detail=0，從而只返回文字內(nèi)容。于是修改后代碼和效果如下：

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(qū)景山前街4號',?'紫禁城敬事房',?'公民身份證號碼',?'112044165412202438']

3.批量識別圖片

批量識別圖片無非就是遍歷圖片文件夾，這里用到了os.listdir()方法以返回文件列表。然后用ocr.readtext()去識別每一張圖片文字內(nèi)容，接著通過字符串切片來獲取姓名、性別、民族、出生、住址和身份證號等關(guān)鍵信息，最后統(tǒng)一將這些信息存入列表data中。

'''
公眾號：菜J學(xué)Python
作者：J哥
'''

import?easyocr
import?os

#?指明所有圖片所在的文件夾
images?=?'./id_card'
#?創(chuàng)建ocr的reader對象，識別中英文
ocr?=?easyocr.Reader(['ch_sim',?'en'])
#?識別圖片文字
content?=?ocr.readtext(images,detail=0)
#?遍歷所有圖片并識別文字，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.保存數(shù)據(jù)

圖片文字識別之后，建議通過pandas輸出為Excel，方便簡潔。

'''
公眾號：菜J學(xué)Python
作者：J哥
'''

import?pandas?as?pd

#?保存識別結(jié)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(jié)果如下：")
print(df)
df.to_excel("識別結(jié)果.xlsx",?index=False)

【Python練習(xí)題】吃透這150道練習(xí)題，輕松搞定Python95%知識點 （含答案解析）
一些著名的軟件都用什么語言編寫？
知乎熱問：國家何時整治程序員的高薪現(xiàn)象？