Question

我正在尝试从OCR图像中提取一些字段。我正在使用pytesseract读取OCR图像文件，该文件按预期工作。

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。但是问题是我没有遍历整行。.它一次只占用一个字符，这就是为什么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)

Answer 1

也摆脱for循环，仅使用

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

没有任何循环。（“也删除^”）

Answer 2

正则表达式中的问题是起始锚点^，它希望匹配的文本A0425应该从行首开始，而事实并非如此，因为您拥有Y并且在它之前的空间。因此，只需从正则表达式中删除^，即可获得所有预期的字符串。另外，您可以将[0-9]的其中四个更改为[0-9]{4}，这样缩短后的正则表达式就会变成

A[0-9]{4}

Regex Demo

您需要像这样修改当前代码，

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))

这应该打印出所有匹配项，而无需单独循环成行，

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

Answer 3

text是一个字符串，使用for循环遍历一个字符串时，Python的默认行为是遍历字符（因为字符串基本上是一个字符列表）。

要遍历各行，请首先使用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：或使用Patels答案一起跳过循环：）

从OCR图片文件中提取文本

3 个答案: