【Python】【OCR识别文字】 使用PaddleOCR引擎识别图片内容，提取图片文字并格式化智能文本处理

Python 使用PaddleOCR引擎识别图片内容，提取图片文字并格式化智能文本处理

1、功能概述

系统基于PaddleOCR引擎开发，为图像的全自动文本识别与结构化处理。系统通过五级智能格式化规则，将原始OCR识别结果转换为符合行业规范的结构化数据。

1. 特殊符号统一化（＋→+）
2. 纤维成分与百分比智能分隔（Cotton95%→Cotton 95%）
3. 复合成分格式优化（Nylon+Polyester→Nylon + Polyester）
4. 计量单位标准化（210g/m²→210 g/m²）
5. 冗余空格清理与格式美化

2、环境准备 基础依赖安装

pip install paddleocr tqdm opencv-python

3、目录结构

input_images/ # 待处理图像存放目录
processed_results/ # 处理结果输出目录
├── original_images # 原始文件备份
└── {filename}_result.txt # 结构化结果文件

4、执行流程

1、将待处理图像放入input_images目录
2、运行主程序：
python formatting_content.py

5、代码运行

import re
import logging
from pathlib import Path
from paddleocr import PaddleOCR
from tqdm import tqdm

# ---------------------------
# 文本格式化模块（必须定义）
# ---------------------------
class TextFormatter:
    @staticmethod
    def format_composition(text):
        """五级文本格式化规则"""
        text = text.replace('＋', '+').replace('／', '/')
        text = re.sub(r'(\d+%)([A-Z\u4e00-\u9fa5])', r'\1 \2', text)
        text = re.sub(r'([A-Z\u4e00-\u9fa5])(\d+%)', r'\1 \2', text)
        text = re.sub(r'([%A-Za-z\u4e00-\u9fa5])([+/])([A-Za-z\u4e00-\u9fa5])', r'\1 \2 \3', text)
        text = re.sub(r'([A-Za-z\u4e00-\u9fa5]+)(\d)', r'\1 \2', text)
        text = re.sub(r'(\d)(g/m[²]?)', r'\1 \2', text, flags=re.IGNORECASE)
        text = re.sub(r'\s+', ' ', text)
        text = re.sub(r'(\s?[+/]\s?)', lambda m: f' {m.group().strip()} ', text)
        return text.strip()

# ---------------------------
# OCR处理核心
# ---------------------------
class OCRProcessor:
    def __init__(self):
        self.ocr = PaddleOCR(
            use_angle_cls=True,
            lang='ch',
            use_gpu=False,
            show_log=False  # 关闭PaddleOCR的DEBUG日志
        )

    def process_image(self, image_path):
        try:
            result = self.ocr.ocr(str(image_path), cls=True)
            if not result or not result[0]:
                raise ValueError("未识别到有效文本")
            
            raw_text = " ".join([line[1][0] for line in result[0] if line and line[1]])
            formatted = TextFormatter.format_composition(raw_text)  # 正确调用格式化类
            
            print(f"\n📄 文件: {image_path.name}")
            print(f"🔍 原始识别: {raw_text}")
            print(f"✨ 格式化后: {formatted}")
            print("━" * 60)
            return formatted
        except Exception as e:
            print(f"\n❌ 处理失败: {image_path.name} - {str(e)}")
            return None

# ---------------------------
# 主程序
# ---------------------------
def main():
    input_dir = Path("./input_images")
    if not input_dir.exists():
        print("❌ 输入目录不存在！")
        return
    
    image_files = [f for f in input_dir.glob('*') if f.suffix.lower() in ('.jpg', '.jpeg', '.png')]
    if not image_files:
        print("❌ 未找到图片文件！")
        return
    
    processor = OCRProcessor()
    with tqdm(total=len(image_files), desc="🚀 处理进度", bar_format="{l_bar}{bar:20}{r_bar}") as pbar:
        for img in image_files:
            processor.process_image(img)
            pbar.update(1)
    
    print("\n✅ 处理完成！所有结果已输出至终端")

if __name__ == "__main__":
    main()
    

6、输出结果比对

感谢大佬指正 小Monkey
如果你觉得有用的话，就留个赞吧！蟹蟹