Python实现批量识别图片文字并存为Excel

以下是 Python 实现批量识别图片文字并存为 Excel 的完整攻略。

1. 前置条件

在开始本攻略之前，请确保您已经安装了以下环境和库：

• Python 3.x
• Tesseract OCR 引擎
• Pillow 库
• Pytesseract 库
• OpenCV 库
• Pandas 库

2. 构建识别图片的 Python 环境

安装 Tesseract OCR 引擎

Tesseract OCR 是一个优秀的开源 OCR 引擎，能够识别多种语言的文字。您可以从 官方网站 上下载 Tesseract OCR 引擎，并按照说明进行安装。

安装 Pillow 库

Pillow 是 Python 中一个处理图片的库，能够打开、显示、保存图片等。您可以通过以下命令进行安装：

pip install Pillow

安装 Pytesseract 库

Pytesseract 是一个 Python 封装的 Tesseract OCR 的库，能够在 Python 中实现文字识别。您可以通过以下命令进行安装：

pip install pytesseract

安装 OpenCV 库

OpenCV 是一个计算机视觉库，能够对图片进行处理、分析等，提取出图片中的特征信息。您可以通过以下命令进行安装：

pip install opencv-python

安装 Pandas 库

Pandas 是 Python 中一个数据分析的库，能够对数据进行清洗、整理、分析等。您可以通过以下命令进行安装：

pip install pandas

3. 实现批量识别图片文字并存为 Excel

以下是实现批量识别图片文字并存为 Excel 的代码实现。

import os
import cv2
import pytesseract
import pandas as pd
from PIL import Image

# 设置 Tesseract OCR 引擎路径
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# 定义函数 batch_ocr，实现图片文字识别及保存
def batch_ocr(input_dir, output_file):
    # 遍历图片文件夹中的所有文件
    file_list = os.listdir(input_dir)
    data_list = []
    for filename in file_list:
        if filename.endswith('.jpg') or filename.endswith('.png'):
            # 读取图片
            image = Image.open(os.path.join(input_dir, filename))
            # 将图片转换为灰度模式
            img_gray = image.convert('L')
            # 将灰度图片转换为 OpenCV 格式
            img_opencv = cv2.cvtColor(numpy.array(img_gray), cv2.COLOR_RGB2BGR)
            # 对图片进行二值化处理
            img_binary = cv2.threshold(img_opencv, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
            # 将 OpenCV 图片转换为 PIL 图片
            img_pil = Image.fromarray(cv2.cvtColor(img_binary, cv2.COLOR_BGR2RGB))
            # 使用 Tesseract OCR 引擎进行文字识别
            result = pytesseract.image_to_string(img_pil, lang='eng')
            # 将识别结果存入数据列表
            data_list.append([filename, result])
    # 将数据列表转换为 Pandas 数据框
    df = pd.DataFrame(data_list, columns=['filename', 'ocr_result'])
    # 将数据框保存为 Excel 文件
    df.to_excel(output_file, index=False)

# 调用函数 batch_ocr，传入图片文件夹及输出 Excel 文件路径
batch_ocr('image_dir', 'output_file.xlsx')

4. 示例说明

案例一：如何识别单张图片的文字？

假设我们有一张名为 example.jpg 的图片，需要对其中的文字进行识别。

首先，我们可以使用以下代码读取并显示该张图片：

from PIL import Image

image = Image.open('example.jpg')
image.show()

然后，我们使用以下代码将该图片转换为灰度模式：

img_gray = image.convert('L')
img_gray.show()

接着，我们使用以下代码将灰度图片转换为 OpenCV 格式：

import cv2
import numpy

img_opencv = cv2.cvtColor(numpy.array(img_gray), cv2.COLOR_RGB2BGR)
cv2.imshow('img_opencv', img_opencv)
cv2.waitKey(0)

最后，我们使用以下代码将 OpenCV 图片进行二值化处理，并使用 Tesseract OCR 引擎进行文字识别：

import pytesseract

# 设置 Tesseract OCR 引擎路径
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# 将 OpenCV 图片进行二值化处理
img_binary = cv2.threshold(img_opencv, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

# 将二值化后的 OpenCV 图片转换为 PIL 图片，并使用 Tesseract OCR 引擎进行文字识别
img_pil = Image.fromarray(cv2.cvtColor(img_binary, cv2.COLOR_BGR2RGB))
result = pytesseract.image_to_string(img_pil, lang='eng')

print(result)

通过上述代码，我们可以得到该图片中的文字识别结果。

案例二：如何批量识别图片文字并保存至 Excel 文件中？

我们可以使用上文中的代码实现批量识别图片文字并保存至 Excel 文件中。具体步骤如下：

1. 将需要识别的图片放入名为 image_dir 的文件夹中；
2. 新建一个 Python 文件，并将上文中的代码复制进去；
3. 修改代码中的路径参数，将图片文件夹路径及输出 Excel 文件路径修改为自己的实际路径；
4. 运行 Python 文件，等待文字识别及 Excel 文件生成。

通过上述步骤，我们可以实现批量识别图片文字并保存至 Excel 文件中。