批量識(shí)別圖片文字并存為Excel，幾行Python輕松實(shí)現(xiàn)！

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(shí)別核酸截圖內(nèi)容的故事。當(dāng)時(shí)還被人民日?qǐng)?bào)公眾號(hào)報(bào)道出來，夸贊用所學(xué)貢獻(xiàn)青春力量！

其實(shí)，批量文字識(shí)別（OCR）是Python辦公自動(dòng)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(shí)別、證件識(shí)別、銀行卡識(shí)別、票據(jù)識(shí)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(fèi)，因此本文主要以開源免費(fèi)的easyocr來進(jìn)行介紹。

二、需求

本文以證件識(shí)別為例，我網(wǎng)上找了3張?zhí)摂M身份證來實(shí)驗(yàn)：

運(yùn)用easyocr進(jìn)行識(shí)別并保存為Excel，效果如下：

三、實(shí)戰(zhàn)  

1.安裝模塊

在Python中使用 easyocr非常簡(jiǎn)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(huì)比較慢）。

pip install easyocr

不過 easyocr 的深度學(xué)習(xí)算法依賴于另一個(gè)著名的第三方模塊 pytorch，圖形處理部分則會(huì)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(shí)別一張圖片

1.easyocr識(shí)別圖片代碼非常簡(jiǎn)潔，只需要?jiǎng)?chuàng)建一個(gè)easyocr.Reader類對(duì)象，指定以下兩個(gè)常用參數(shù)：

• 需要識(shí)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(duì)象的readtext方法，將圖片中所有文字讀入一個(gè)列表并返回。

'''
公眾號(hào)：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(duì)象，識(shí)別中英文
ocr = easyocr.Reader(['ch_sim', 'en'],gpu=False)
# 識(shí)別圖片文字
content = ocr.readtext(image)
print(content)

識(shí)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(hào)', 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(hào)碼', 0.612808391503521), ([[212, 308], [526, 308], [526, 334], [212, 334]], '112044165412202438', 0.7003081027071493)]

readtext 返回的列表中，每個(gè)元素都是一個(gè)元組，內(nèi)含三個(gè)信息：位置、文字、置信度。我們可以在調(diào)用readtext時(shí)指定一個(gè)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(hào)', '紫禁城敬事房', '公民身份證號(hào)碼', '112044165412202438']

3.批量識(shí)別圖片

批量識(shí)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(shí)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(hào)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(hào)：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(duì)象，識(shí)別中英文
ocr = easyocr.Reader(['ch_sim', 'en'])
# 識(shí)別圖片文字
content = ocr.readtext(images,detail=0)
# 遍歷所有圖片并識(shí)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(shí)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(shí)別：{image}")
    print("-" * 50)
    data.append([name, gender, nation, birth, address, number])

4.保存數(shù)據(jù)

圖片文字識(shí)別之后，建議通過pandas輸出為Excel，方便簡(jiǎn)潔。

'''
公眾號(hào)：菜J學(xué)Python
作者：J哥
'''

import pandas as pd

# 保存識(shí)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(hào)"])
print(f"識(shí)別結(jié)果如下：")
print(df)
df.to_excel("識(shí)別結(jié)果.xlsx", index=False)