从 OCR 图像文件中提取文本答案

【问题标题】：Extracting text from OCR image file从 OCR 图像文件中提取文本
【发布时间】：2019-05-01 09:34:29
【问题描述】：

我正在尝试从 OCR 图像中提取几个字段。我正在使用 pytesseract 读取 OCR 图像文件，这按预期工作。

代码：

import pytesseract
from PIL import Image
import re

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract- 
OCR\tesseract.exe"

value = Image.open("ocr.JPG")
text = pytesseract.image_to_string(value)
print(text)

输出：

ALS 1 Emergency Base Rate
Y A0427 RE ABC
Anbulance Mileage Charge

Y A0425 RE ABC
Disposable Supplies
Y A0398 RH ABC

184800230, x

接下来，我必须从文本中提取 A0427 和 A0425.. 但问题是我没有遍历整行.. 它一次只占用一个字符，这就是我的正则表达式不起作用的原因..

代码：

for line in text :
    print(line)
    x= re.findall(r'^A[0-9][0-9][0-9][0-9]', text)
    print(x)

【问题讨论】：

从你的正则表达式中去掉 start ^ 锚。那就是停止比赛。

标签： regex python-3.x python-tesseract

【解决方案1】：

也去掉那个 for 循环，只使用

x= re.findall(r'A[0-9][0-9][0-9][0-9]', text)

没有任何循环。 ('也删除 ^')

【讨论】：

【解决方案2】：

text 是一个字符串，Python 使用for-loop 循环遍历字符串时的默认行为是遍历字符（因为字符串基本上是字符列表）。

要遍历行，首先使用text.splitlines()将文本分成几行：

for line in text.splitlines() :
    print(line)
    x= re.findall(r'^A[0-9][0-9][0-9][0-9]', text)
    print(x)

编辑：或者使用 Patels 回答一起跳过循环:)

【讨论】：

【解决方案3】：

您的正则表达式中的问题是 start anchor ^ 它期望您的匹配文本 A0425 应该从行首开始，而实际上并非如此，因为您有 Y 和它之前的空格。所以只需从你的正则表达式中删除^，然后你应该得到所有预期的字符串。此外，您可以将其中的四个 [0-9] 更改为 [0-9]{4}，您的缩短正则表达式变为，

A[0-9]{4}

Regex Demo

你需要像这样修改你当前的代码，

import pytesseract
from PIL import Image
import re

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract- 
OCR\tesseract.exe"

value = Image.open("ocr.JPG")
text = pytesseract.image_to_string(value)

print(re.findall(r'A[0-9]{4}', text))

这应该打印所有匹配项，而无需单独循环成行，

['A0427', 'A0425', 'A0398']

【讨论】：