文末有福利领取哦~
👉一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉二、Python必备开发工具
👉三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉 四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。(文末领读者福利)
👉五、Python练习题
检查学习结果。
👉六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
顺利安装cnocr。
cnocr 主要针对的是排版简单的印刷体文字图片,如截图图片,扫描件等。目前内置的文字检测和分行模块无法处理复杂的文字排版定位。如果要用于场景文字图片的识别,需要结合其他的场景文字检测引擎使用,例如文字检测引擎 cnstd 。
安装好上面的库以后,还需要安装额外的exe文件,否则会出现以下错误。
需要安装的exe文件是:
- ImageMagick
- tesseract-OCR
ImageMagick包括许多用于处理图像的命令行实用程序。
ImageMagick的下载地址是:
https://docs.wand-py.org/en/latest/guide/install.html#install-imagemagick-on-windows
Tesseract是一款由HP实验室开发由Google维护的开源OCR(Optical Character Recognition , 光学字符识别)引擎,与Microsoft Office Document Imaging(MODI)相比,我们可以不断地训练库,使图像转换文本的能力不断增强。如果团队深度需要,还可以以它为模板,开发出符合自身需求的OCR引擎。
tesseract-OCR的下载地址是:
https://digi.bib.uni-mannheim.de/tesseract/
安装后要配置环境变量:
源代码
1. 读取发票
ocr = CnOcr()``tool = pyocr.get_available_tools()[0]`
`img_url = "pic/fp01.jpg"``with open(img_url, 'rb') as f:` `a = f.read()``new_img = PI.open(io.BytesIO(a))``new_img.show()
2. 提取发票号码
def text1(new_img):`
`left = 1530` `top = 80` `right = 1830` `bottom = 160` ` image_text1 = new_img.crop((left, top, right, bottom))`
`#image_text1.show()` `txt1 = tool.image_to_string(image_text1)` `#print(txt1)` `return txt1` `# print(text1(new_img))
left、top、right、bottom就是图片的四个顶点坐标,数值可以经过多次修正而定,大家根据自己的发票内容去定位即可,如果想兼容性强一些,可以让框子尽可能大,以保证每一张发票都能准确框住该位置。这也要求发票的各照片不能差距太大,尽量按统一标准拍摄,以保证各字段相对位置变化不会太大,否则一旦框不住需要的字段,就无法识别。如果所有发票都是格式统一的电子发票则不存在此问题。
print(pyocr.get_available_tools()[0])
可以看出pyocr就是直接调用的tesseract。接着利用ocr把图片变成字符串。
此时我们已经得到了发票号码字段。
3. 提取税额
def text2(new_img):` ` left = 1860` `top = 800` `right = 2000` `bottom = 850`
`image_text2 = new_img.crop((left, top, right, bottom))` `# image_text2.show()` `txt2 = tool.image_to_string(image_text2)` `# print(txt2)` `return txt2`
`# print(text2(new_img))
过程和提取发票号码原理一模一样,只是换了一个位置。
此时我们已经得到了税额字段。
3. 提取销方名称
def text3(new_img):` `left = 500` `top = 950` `right = 1100` `bottom = 1000`
`image_obj3 = new_img.crop((left, top, right, bottom))`
`# image_obj3.show()` `image_obj3.save("tmp.jpg")` `res = ocr.ocr("tmp.jpg")` `# print(res[0][0])` `return "".join(res[0][0])`
`# print(text3(new_img))
这里的名称是中文,我们不能再像提取数字那样操作,需要使用到cnocr去将图片中的印刷体简体中文提取出来。
此时我们已经得到了销方名称字段。
4. 遍历及输出
def all_rec():`
`outwb = openpyxl.Workbook() # 打开一个将写的文件` `outws = outwb.create_sheet(index=0) # 在将写的文件创建sheet`
`outws.cell(row=1, column=1, value="发票号码")` `outws.cell(row=1, column=2, value="税额")` `outws.cell(row=1, column=3, value="销方名称")`
`count = 2` `filePath = 'pic'` `pic_name = []` `for i,j,name in os.walk(filePath):` `pic_name = name` `for i in pic_name:` `img_url = filePath+"/"+i` `with open(img_url, 'rb') as f:` `a = f.read()` `new_img = PI.open(io.BytesIO(a))` `outws.cell(row=count, column=1, value=text1(new_img))` `outws.cell(row=count, column=2, value=text2(new_img))` `outws.cell(row=count, column=3, value=text3(new_img))`
`count = count + 1` `outwb.save("发票汇总-应卓君.xls") # 保存结果`
`all_rec()
我偷懒就只在文件夹里放了3张发票,并且都是复制的第1张发票。
最终输出为一个名为“发票汇总-应卓君.xls”的文件。
任务基本完成。
总结
在众多的测试中我发现,照片质量高于或等于本例中的发票均可准确识别,如果拍照质量过差,会出现无法识别、识别错误(如0识别成9)。所以在真实的应用当中,一定要注意照片的拍摄统一和拍摄质量。
如果说你认为统一的拍照会影响你的用户体验,你就喜欢拍得歪歪扭扭、横七竖八,也不是不能够解决,此时需要将发票整体进行识别,再利用re正则表达式或其他相应的逻辑去提取需要的信息。
对于模糊照片无法正确识别的问题,也可以通过用模糊数字和文字对模型进行加强训练,来提升模型的准确度。就像老师看你写的字,你写得太丑了老师完全不认得,但是如果老师看你的字看得多了,你写得再歪歪扭扭,也就见怪不怪了。
如果发票都是如下的电子发票,则上述拍照统一问题和质量问题就都不存在了,程序适用性和识别率能够轻松高达100%。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!