从OCR图像文件中提取文本

Question

我试图从OCR图像中提取几个字段。我正在使用pytesseract来读取OCR图像文件，这是正常工作的。

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(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。但问题是我并没有在整条线上循环。它每次只取一个字符，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

也去掉那个循环，只使用

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

没有任何循环。(“删除^太”)

Answer 2

text是一个字符串，当使用for-loop循环一个字符串时，它的默认行为是循环这些字符(因为字符串基本上是一个字符列表)。

要循环遍历这些行，首先使用text.splitlines()将文本拆分为行

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应答一起跳过循环:)

Answer 3

regex中的问题是启动锚点^，它期望匹配的文本A0425应该从行的一开始就开始，而实际上并非如此，因为前面有Y和空间。因此，只要从正则表达式中删除^，就可以得到所有预期的字符串。另外，您可以将其中的四个[0-9]更改为[0-9]{4}，缩短的正则表达式变为，

A[0-9]{4}

Regex Demo

你需要像这样修改你现在的代码，

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))

这应该打印出所有的匹配，而不需要单独循环成行，

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