使用dateparser库解析OCRed文件中的日期

Question

我想使用dateparser库从OCR图像中提取日期。

import dateparser
data = []
listOfPages = glob.glob(r"C:/Users/name/folder/test/*.tif")
for entry in listOfPages:
    text1 = pytesseract.image_to_string(
            Image.open(entry), lang="deu"
        )
    text = re.sub(r'\n',' ', text1)     
    date1 = re.compile(r'(Dresden(\.|,|\s+)?)(.*)', flags = re.DOTALL | re.MULTILINE)
    date = date1.search(text)
    if date:
        dates = dateparser.parse(date.group(3), date_formats=['%d %m %Y'], languages=['de'], settings={'STRICT_PARSING': True})
        
    else:
        dates = None
        if dates == None:
            dates = dateparser.parse(date.group(3), date_formats=['%d %B %Y'], locale = 'de', settings={'STRICT_PARSING': True})
        else:
            dates = None

    data.append([text, dates])
    
df0 = pd.DataFrame(data, columns =['raw_text', 'dates'])
print(df0)

为什么我收到错误: NameError:未定义名称'dates‘

更新：TypeError: Input type must be str

​

​

Answer 1

问题是您的date是一个匹配数据对象。此外，我不确定dateparser.parse是否能满足您的需求。我建议使用datefinder package从文本中提取日期。

下面是我使用的正则表达式：

\bDresden(?:[.,]|\s+)?(.*)

请参阅regex demo。它将Dresden作为一个整体进行匹配(\b是一个单词边界)，(?:[.,]|\s+)?是一个非捕获的可选组，匹配,、.或一个或多个空格，然后将任何零个或多个字符捕获到组1中(re.DOTALL也允许.匹配行分隔符)。

下面是Python代码片段，它似乎可以产生预期的匹配结果：

import pytesseract, dateparser, glob, re
import pandas as pd
import datefinder
from pytesseract.pytesseract import Image

imgpath = r'1.tif'
data = []
listOfPages = glob.glob(r"C:/Users/name/folder/test/*.tif")
listOfPages = [imgpath]
for entry in listOfPages:
    text = pytesseract.image_to_string(
            Image.open(entry), lang="deu"
        )

    dates = []
    date = re.search(r'\bDresden(?:[.,]|\s+)?(.*)', text, re.DOTALL)
    if date:
        dates = [t.strftime("%d %B %Y") for t in datefinder.find_dates(date.group(1))]
        #dates = dateparser.parse(date.group(1), date_formats=['%d %m %Y'], languages=['de'], settings={'STRICT_PARSING': True})

    data.append([text, dates])
    
df0 = pd.DataFrame(data, columns =['raw_text', 'dates'])
print(df0)

通过您的示例图像，我得到了

                                            raw_text                               dates
0  Sächsischer Landtag DRUCKSACHE , 1972\n2. Wahl...  [17 October 1995, 18 October 1995]