Я хотел бы использовать PyTesseract и OpenCV для чтения (сотен) страниц информации, подобной следующей, в формате JSON или CSV. Как я могу сообщить tesseract о сплошной линии посередине, разделяющей два столбца информации? Кроме того, некоторые строки данных состоят из 2 строк вместо 1. Каков наилучший способ объяснить это?

Я довольно новичок в использовании тессеракта, и любая помощь будет оценена!

Редактировать!!

Это то, что у меня есть сейчас:

 # OCR
txt = pytesseract.image_to_string(thr, config="--psm 11")

# Add ocr to the corresponding part
txt = txt.split("n")

row = 0
col = 0

for txt1 in txt:

    # Skip over OCR strings that are just spaces or ''
    if txt1.isspace() or txt1 == '':
        continue

    # Hard code detection in...let's just place it into the last column for now
    # Theoretically, the state ("Alaska" in this case) will be in column 0 in the same row
    if re.match(r"d*sOpensRestaurants", txt1):
        col == 3
        
    worksheet.write(row//4, col%4, txt1)
    col  = 1
    row  = 1

workbook.close()
 

Все, что находится над этим фрагментом кода, идентично.

Тем не менее, все еще существует много ошибок выравнивания, особенно когда некоторые адреса или имена занимают более одной строки. Кроме того, почему текст в первой строке читается в другом порядке по сравнению с остальными строками?

Я подумал, что, возможно, я мог бы обеспечить, чтобы каждый четвертый текст располагался в алфавитном порядке, и использовать это для обнаружения смещения? Но если даже первая строка неверна, я не уверен, насколько сильно я хочу вносить жесткие исправления в код. Кроме того, иногда многострочные записи возникают из столбца адреса, в то время как в других случаях они возникают из столбца названия (например, 258 Interstate Commercial Park Loop в левой части страницы).

Вот несколько скриншотов путаницы слева:

И справа:

• Я хотел бы использовать PyTesseract и OpenCV для чтения (сотен) страниц информации, подобной следующей, в формате JSON или CSV.

У вас есть несколько вариантов, xlswriter, pandas и т. Д. Например, вы можете посмотреть учебник для xlswriter .

• Как я могу сообщить tesseract о сплошной линии посередине, разделяющей два столбца информации?

Вы не можете. Вам нужно вручную разделить изображение по ширине на две части. Например: первая часть, вторая часть

Как вручную разделить изображение по ширине?

Сначала получите размер изображения, затем задайте индексы.

 # Get the size
(h, w) = img.shape[:2]

# First part
first_part = img[0:h, 0:int(w/2)]

# Second part
second_part = img[0:h, int(w/2):w]
 

• Кроме того, некоторые строки данных состоят из 2 строк вместо 1. Каков наилучший способ объяснить это?

Tesseract учтет это, но вам нужно знать следующее:

• Методы обработки изображений для улучшения качества
• Страница-сегментация-режимы

Входное изображение не содержит артефакта. Поэтому на первый взгляд предварительная обработка изображений кажется ненужной. Тем не менее, вы можете применить бинаризацию, чтобы обеспечить максимальную точность.

Часть-1	Часть — 2
Northpor. 13620 Шоссе 43 Северный Хардиккумар Патель (205) 339-1188 Северный порт 1836 Макфаленд Блд Хариккумар Патель {205} 339-1782 Северный порт 5550 Макфарланд Блд Шармишта Патель (205) 200-7822 Оденвиле 130 Муниципальный Орив Граттон Кербоу (205) 629-7827 Онеонта 511-я авеню Говиндхай Патель ( 205) 625,5847 velxa 1017 Columbus Parkway Луис Крибб (934) 749-3628 alka 2300 Gateway или Donna Cribb (234) 749-2308 стр. 101 Stewart Ave ‘Utpa! Patel {334} 433-7325, Оранж-Бич 25755, Пердидо-Бич, округ Колумбия. Патрик Шедд (251) 981-6881 Оранж Бич 25814 Канал Рд Патрик Шедд (251) 91-4184 Перекресток Оуэнс 6707 шоссе 43) Юг Ричард Хайд (256) 519-2425 Владеет Гросс-роуд 330 Саттон-роуд Ричард Хайд (256) 518-2004 . . . . . . . . .	Талладега 244 Хейнс СИ тус Крисп (258} 315-0191 Талладега 608 Ист Батле Стрит Луис Крибб (256) 362-0781 Таласси 454 Гимере авеню Донна Крибб (334) 283-2067 Таннер 5956 шоссе 31 Н Майк Надеси (256) 352-9808 Торани 1806 Пиньон Вэлли Ре Санджайкнат Патель (205) 849-0112 Теодор 5827 шоссе СОУ Мукешкумар Сопарвала (251) 854-0048, Теодор 6860 Теодор Доуз Рд Энтони Лаф Эниер (251) 853-2010 Тамасвили 33202 Шоссе 43 Ранджив Ачарья (334) 636-0333 Томасвилл 3430-е Шоссе 43 Ранджей Ачарья (334) 636-0830 Тиус 80 Тус Роуд Гаррет Грей (G34) 514-9930 Таун-Крик 2795 шоссе 20 Мадхав Майна (256) 686-3900 Трой 1003 Шоссе 231 Саут Луис Крибб (339) 568-7944 Трой 1420 США 231 Саут Дехуа Патель (334) 670-6390 . . . . . . . . .

Изображения масштабируются в соответствии с заданным размером. Как мы можем видеть, мы можем получить результат, предположив, что изображение представляет собой единый однородный блок текста.

Как вы записываете результат?

• Во-первых, вам нужно сохранить результаты распознавания в списках.

  •  if i == 0:
        for sentence in txt:
            part1.append(sentence)
    else:
        for sentence in txt:
            part2.append(sentence)
     

• Во-вторых, вам нужно связать кортежи списка.

  •  for txt1, txt2 in zip(part1, part2):
        worksheet.write(row, col, txt1)
        worksheet.write(row, col   1, txt2)
        row  = 1
     

функция zip позволяет нам получать пару данных из каждого столбца в каждом итераторе. Затем мы записываем значения в соответствующие столбцы.

Некоторые данные в Excel могут быть неточными. Если это так, то вам нужно попробовать изображение с различными методами обработки с различными режимами сегментации страницы.

Код:

 # Load the libraries
import cv2
import pytesseract
import xlsxwriter

# Load the image in BGR format
img = cv2.imread("WFJO2.jpg")

# Initialize the workbook
workbook = xlsxwriter.Workbook('result.xlsx')
worksheet = workbook.add_worksheet()

row = 0
col = 0

part1 = []
part2 = []

# Get the size
(h, w) = img.shape[:2]

# Initialize indexes
increase = int(w / 2)
start = 0
end = start   increase

# For each part
for i in range(0, 2):

    # Get the current part
    cropped = img[0:h, start:end]

    # Convert to the gray-scale
    gry = cv2.cvtColor(cropped, cv2.COLOR_BGR2GRAY)

    # Threshold
    thr = cv2.threshold(gry, 0, 255, cv2.THRESH_BINARY   cv2.THRESH_OTSU)[1]

    # OCR
    txt = pytesseract.image_to_string(thr, config="--psm 6")

    # Add ocr to the corresponding part
    txt = txt.split("n")

    if i == 0:
        for sentence in txt:
            part1.append(sentence)
    else:
        for sentence in txt:
            part2.append(sentence)

    # Set indexes
    start = end
    end = start   increase

for txt1, txt2 in zip(part1, part2):
    worksheet.write(row, col, txt1)
    worksheet.write(row, col   1, txt2)
    row  = 1

workbook.close()