Tesseract OCR图片提取中文并转换为Excel的示例（附Python代码）

1、背景描述：

日常工作会遇到这样的问题，工作群中收到以截图方式转发的表格或文字信息，需要将其中大量的数据、文字等信息从图片中摘取下来，并以Excel表格的方式进行存储和统计处理。

2、流程简述：

1. 识别图片中的信息（文字和数据）
   应用pytesseract识别图片中的文字（英文、中文）和数据并转换为字符串
2. 按需求提取关键信息
   应用正则表达式提取有用的关键信息（文字和数据）：如日期、地点、电话号码、数量等
3. 整理为数据表格（DataFrame)，并保存至Excel表格中
   整理提取的信息，合并为数据表格，并且写入和保存至Excel表格中

3. 测试环境的准备：

1. 安装好pytesseract库和Pillow库
   pytesseract库：pip install pytesseract – 用于将图片中的文字、数据的识别并转换为字符串
   Pillow库：pip install pillow – 用于将输入的图片文件转换为image

2. 下载tesseract-ocr的应用程序并安装好
   注意：请记录好安装地址，将用于更改系统配置和保存用于中文识别的数据文件
   Tessoract_OCR的下载地址：https://digi.bib.uni-mannheim.de/tesseract/
   
   我的Tesseract-OCR安装路径为：C:\Program Files (x86)\Tesseract-OCR

3. 下载用于中文识别的中文字库文件并且将它们拷贝到Tesseract-OCR中的"tessdata"文件夹中：
   如下图所示，tessdata文件夹路径为：C:\Program Files (x86)\Tesseract-OCR\tessdata
   
   中文字库文件的下载地址： https://tesseract-ocr.github.io/tessdoc/Data-Files
   
   chi_sim – 中文简体； chi_tra – 中文繁体

4. 配置系统变量（2个 *** 作步骤）
   步骤一：环境变量中的修改（path）: 增加 C:\Program Files (x86)\Tesseract-OCR, 如下图所示
   

   步骤二：因为需要使用中文辨识，需要配置系统变量：TESSDATA_PREFIX, 如下图所示
   TESSDATA_PREFIX变量设置为：C:\Program Files (x86)\Tesseract-OCR\tessdata
   

5. 修改相关文件路径（2个步骤）
   步骤一：路径的寻找：anaconda–>lib–>site-packages–>pytesseract 下的pytesserac.py文件：
   

   步骤二：文件的修改：
   将tesseract_cmd = ‘tesseract.exe’ 修改为：tesseract_cmd = ‘C:/Program Files (x86)/Tesseract-OCR/tesseract.exe’
   
   温馨提醒：环境准备的步骤比较复杂繁琐，但是在测试前必须要一一完成，否则系统会一直报错！！

4、示例演示（Python代码）

准备导入的测试图片为：

4.1 识别图片中的信息（文字和数据）

# 4.1 导入图片文件，转换为image，识别其中的
import pandas as pd
import pytesseract
from PIL import Image

# 设定好输入图片和输出表格文件的地址
infile = r"D:.png"
outfile = r"D:\result.xlsx"
# 将导入的图片转换为image, 
image = Image.open(infile)
# lang="chi_sim"是指使用中文数据来识别图片中的中文信息
result = pytesseract.image_to_string (image, lang='chi_sim')
result

小结：上述结果可以观察到：中文、英文字母和数字的辨析准确率还不错，有错误：“粑体1008”, 正确的信息是"粉体Y1008"；另外，中文字体之间，中文字体与英文字母之间，以及文字信息与数据之间都是是空格的，因此在后面的信息截断时需要避开这些空格来截取信息。

4.2 根据需求提取关键信息

需求：提取产品的名称编号和对应的数量

# 4.2 提取图片中的产品名称编号和对应的数量
# 建立函数StringToList：将从图上读取的字符串信息(Str)整里为列表信息（List）
def StringToList(result):
    result = result.strip()
    # 由于中文字体之间、中文字体与英文字母之间，以及文字信息与数字之间都是空格，
    # 因此使用"," 作为每行数据信息的截断标识（一般情况是直接使用空格符" "来截断）
    pattern = re.compile("\n")
    line = pattern.sub(",", result)
    line += ","
    str_li = []
    str0 = ""
    for i in range(len(line)):
        if line[i] == ",":
            str_li.append(str0)
            str0 = ""
        else:
            str0 += line[i]
        i += 1
    return str_li

str_list = StringToList(result)
str_list

4.3 整理为数据表格（DataFrame)，并保存至Excel表格中

由于列表中的元素中含有很多空格，因此不能直接使用空格来提取信息；观察到文字信息与数量之间是由空格的，因此从字段的右边开始，直接截取数字

# 4.3 提取文字信息及数据并整理为DataFrame数据表
# 建立信息提取及转换函数
def ListToDataframe(str_list):
    code, qty = [], []
    # 文字信息与数量之间是由空格的，因此从字段的右边开始截取数字
    for s in str_list:
        if s == "": continue
        s = s[::-1]
        # 考虑到字段中存在很多空格，因此设置split()的参数maxsplit=1
        # 即：只是对于第一个空格进行截取
        s = s.split(" ", maxsplit=1)
        ser2, ser1 = s[0], s[1]  
        ser1 = ser1[::-1]
        ser2 = ser2[::-1]
        code.append(ser1)
        qty.append(ser2)

    df = pd.DataFrame([code, qty]).T
    df.columns = ["产品编号", "数量"]
    return df
    
dataframe = ListToDataframe(str_list)
dataframe.to_excel(outfile)
dataframe

检查Excel表格：

小结：成功将数据提取并转换为Excel表格，遗憾的是，数据在转换过程中存在一些错误，辨识的准确率需要进一步提高，当前还需要人工的检查和修正。

5. 结束语：

使用pytesseract库对信息和数据进行提取，多次测试的结果发现，对于同一张图片的提取结果不会都一样，测试结果显示：信息提取的准确性与图片的清晰度、大小、填充颜色等因素有一定的相关性，当然也受限于执行中使用的chi-sim文件的数据质量。