• python 处理excel 识别图片文字 转换成表格内容输出

     pycharm idea 开发利器啊（主要为了进入活动）

    1. # This is a sample Python script.
    2. import os
    3. import re
    4.  
    5. import requests
    6.  
    7. # Press Shift+F10 to execute it or replace it with your code.
    8. # Press Double Shift to search everywhere for classes, files, tool windows, actions, and settings.
    9.  
    10. import urllib
    11.  
    12. import pytesseract
    13. from PIL import Image
    14.  
    15. # 读写2003 excel
    16. import xlrd
    17. import xlwt
    18. # 读写2007 excel
    19. import openpyxl
    20.  
    21.  
    22. def deal_space():
    23.     pass
    24.  
    25.  
    26. def deal_excel():
    27.     parentPath = "txt\\final_text"
    28.     outPut = "新建 XLSX 工作表.xlsx"
    29.     wb = xlwt.Workbook()
    30.     for (root, dirs, files) in os.walk(parentPath):
    31.         for filename in files:
    32.             filename_full_path = os.path.join(root, filename)
    33.             print("filename_full_path " + filename_full_path)
    34.             sheet = wb.add_sheet(filename.replace(".txt", ""))
    35.  
    36.             with open(filename_full_path, encoding="utf-8", mode="r") as f:
    37.                 context = f.readlines()
    38.                 value = []
    39.                 value.append( ['序号', "单位名称", "资质类别"])
    40.                 index = 0
    41.                 for x in context:
    42.                     text = x.replace("\n", "")
    43.                     if text:
    44.                         index = index + 1
    45.                         value.append([index] + text.split("#"))
    46.  
    47.                 print(value)
    48.                 for i in range(0, len(value)):
    49.                     for j in range(0, len(value[i])):
    50.                         print(value[i][j])
    51.                         sheet.write(i, j, value[i][j])
    52.             # value = [["名称", "价格", "出版社", "语言"],
    53.             #          ["如何高效读懂一本书", "22.3", "机械工业出版社", "中文"],
    54.             #          ["暗时间", "32.4", "人民邮电出版社", "中文"],
    55.             #          ["拆掉思维里的墙", "26.7", "机械工业出版社", "中文"]]
    56.  
    57.             # continue
    58.     wb.save(outPut)
    59.     print("写入数据成功！")
    60.  
    61.     pass
    62.  
    63.  
    64. def main():
    65.     # 下载图片
    66.     # downloadPic()
    67.     # 将图片二进制程序化
    68.  
    69.     # hex_pic()
    70.     # 识别图片存取到一个文件党章
    71.     # generate_text()
    72.     # 处理空格
    73.     # deal_space()
    74.     # 处理xml
    75.     deal_excel()
    76.  
    77.  
    78. def hex_pic():
    79.     img = Image.open('pic/origin/02.jpg')
    80.  
    81.     # 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
    82.     Img = img.convert('L')
    83.     Img.save("pic\\hex_pic\\02.jpg")
    84.  
    85.     # # 自定义灰度界限，大于这个值为黑色，小于这个值为白色
    86.     # threshold = 200
    87.     #
    88.     # table = []
    89.     # for i in range(256):
    90.     #     if i < threshold:
    91.     #         table.append(0)
    92.     #     else:
    93.     #         table.append(1)
    94.     #
    95.     # # 图片二值化
    96.     # photo = Img.point(table, '1')
    97.     # photo.save("test2.png")
    98.     # # 识别图片内容
    99.     # import pytesseract
    100.     # img_path = 'test2.png'
    101.     #
    102.     # text = pytesseract.image_to_string(Image.open(img_path))
    103.  
    104.     for (root, dirs, files) in os.walk("pic/origin"):
    105.         for filename in files:
    106.             filename_full_path = os.path.join(root, filename)
    107.             print("filename_full_path " + filename_full_path)
    108.             img = Image.open(filename_full_path)
    109.  
    110.             # 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
    111.             Img = img.convert('L')
    112.             Img.save(filename_full_path.replace("hex_pic", "origin"))
    113.  
    114.  
    115. # 根据图片生成每个text
    116. def generate_text():
    117.     parent_path = "pic/origin/"
    118.     # 批量添加namespace|
    119.     # 列出windows目录下的所有文件和文件名
    120.     res = ""
    121.     for (root, dirs, files) in os.walk(parent_path):
    122.         for filename in files:
    123.             filename_full_path = os.path.join(root, filename)
    124.             print("filename_full_path " + filename_full_path)
    125.             im = Image.open(filename_full_path)
    126.             # 识别文字
    127.             # 识别文字，并指定语言
    128.             res = pytesseract.image_to_string(im, lang='chi_sim')
    129.             # 识别所有图片 认识
    130.             with open("txt\\hex_pic\\" + filename.replace(".jpg", ".txt"), encoding="utf-8", mode="w") as f:
    131.                 f.write(res)
    132.  
    133.     pass
    134.  
    135.  
    136. # 步骤1  下载文件到本地
    137. def download_pic():
    138.     url = "https://xxxx"
    139.     s = requests.Session()
    140.     context = s.get(url).text
    141.     reg = r'data-original=\"(.*?r.jpg)\"'
    142.     res = re.findall(reg, context)
    143.     print(res)
    144.     res = {}.fromkeys(res).keys()
    145.     print(len(res))
    146.     print(res)
    147.     path = "pic"
    148.     index = 0
    149.     for x in res:
    150.         index = index + 1
    151.         text = "0" + str(index) if index <= 9 else str(index)
    152.         urllib.request.urlretrieve(x, path + "\\" + text + ".jpg")
    153.  
    154.  
    155. # Press the green button in the gutter to run the script.
    156. if __name__ == '__main__':
    157.     main()
    158.  
    159. # See PyCharm help at https://www.jetbrains.com/help/pycharm/

    处理内容就是将图片生成文字

    将文字再处理成excel 这里都是代码。。需要会点的才会点。。好像很废话。

    那么识别文字如何做的呢

    用python识别图片

    先下载tesseract

    网址：Index of /tesseract

     

    下载好了记住安装目录。然后把安装目录设置为环境变量

    1. pip install --upgrade pip
    2. pip install pytesseract
    3. pip install pillow

    安装目录里面有一个

    tessdata

    这个是存放语言识别文件的。

    下载地址 ：

    https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

    这个是中文简体。繁体也可以去下载这个

    https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_tra.traineddata

    下载好了丢进tessdata 即可

    识别中文文字

    1.         im = Image.open(filename_full_path)
    2.             # 识别文字
    3.             # 识别文字，并指定语言
    4.             res = pytesseract.image_to_string(im, lang='chi_sim')
    5.             # 识别所有图片 认识
    6.             with open("txt\\hex_pic\\" + filename.replace(".jpg", ".txt"), encoding="utf-8", mode="w") as f:
    7.                 f.write(res)

    识别的结果如果不理想可以先将图片二进制化

    1.          img = Image.open(filename_full_path)
    2.  
    3.             # 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
    4.             Img = img.convert('L')
    5.             Img.save(filename_full_path.replace("hex_pic", "origin"))

    然后再次进行处理

    1.     parentPath = "txt\\final_text"
    2.     outPut = "新建 XLSX 工作表.xlsx"
    3.     wb = xlwt.Workbook()
    4.     for (root, dirs, files) in os.walk(parentPath):
    5.         for filename in files:
    6.             filename_full_path = os.path.join(root, filename)
    7.             print("filename_full_path " + filename_full_path)
    8.             sheet = wb.add_sheet(filename.replace(".txt", ""))
    9.  
    10.             with open(filename_full_path, encoding="utf-8", mode="r") as f:
    11.                 context = f.readlines()
    12.                 value = []
    13.                 value.append( ['序号', "单位名称", "资质类别"])
    14.                 index = 0
    15.                 for x in context:
    16.                     text = x.replace("\n", "")
    17.                     if text:
    18.                         index = index + 1
    19.                         value.append([index] + text.split("#"))
    20.  
    21.                 print(value)
    22.                 for i in range(0, len(value)):
    23.                     for j in range(0, len(value[i])):
    24.                         print(value[i][j])
    25.                         sheet.write(i, j, value[i][j])
    26.             # value = [["名称", "价格", "出版社", "语言"],
    27.             #          ["如何高效读懂一本书", "22.3", "机械工业出版社", "中文"],
    28.             #          ["暗时间", "32.4", "人民邮电出版社", "中文"],
    29.             #          ["拆掉思维里的墙", "26.7", "机械工业出版社", "中文"]]
    30.  
    31.             # continue
    32.     wb.save(outPut)
    33.     print("写入数据成功！")

    处理后拿到文本再根据一定格式存好

     文件名称就是我们的sheet名称

    我们随意的造假数据

    然后根据当前文本特点生成表格

    最后 查看表格内容

     

     

     

     

  • 相关阅读:
    springboot+社区疫苗管理系统 毕业设计-附源码191705
    搜索接口搜索“苏州协同创新智能科技时”超时调优
    C语言高级-5队列
    Qt QPushButton详解
    安装oh-my-zsh后全局包失效怎么解决
    Python写API
    fastadmin tp 安装使用百度富文本编辑器UEditor
    手动关闭PS中的TopazStudio2的登录窗口
    SQLAlchemy关联表删除策略设置
    GitHub项目里的api
  • 原文地址：https://blog.csdn.net/mp624183768/article/details/127562216