python实现excel表格图片识别，并转换成excel文件

这个过程有点多，一步一步来。

一、文字识别

本人采用的是腾讯的云识别技术，所以先在腾讯完成一系列的注册、申请工作。

首先打开腾讯云的官网：https://cloud.tencent.com/

点击“入门”，这里面有大概需要的步骤：

https://cloud.tencent.com/product/generalocr/getting-started

开通文字识别的服务后：

这个按官方的说法是每个月可以免费使用1000次，还是很不错的。

开通服务后，还需要访问API的密钥，这个也需要申请，我这个是已申请好的：

二、实现效果

一张图片：

实现后的效果：

 

三、预安装相应的包

首先，要安装腾讯的组件包：tencentcloud-sdk-python。直接在线安装好像不得行，于是可以安装离线版，我这里下载后再安装的，包的名字叫：

pip install tencentcloud_sdk_python-3.0.330-py2.py3-none-any.whl

然后还安装了一个包：

pip install xlutils-2.0.0-py2.py3-none-any.whl

这两个包我已经上传了：

https://download.csdn.net/download/qiuqiuit/14927294

我的机子只安装了这两个，如果控制台有提示缺少包，可以自行再安装。

四、python实现

经过前面准备工作，下面把相应的代码贴出来：

image2excel.py：

# -*- coding: utf-8 -*-
import sys
import ocr
import xlrd
import yaml_class
from xlutils.copy import copy

pic_path = sys.argv[1]

print('doing...',pic_path)
# 使用ocr进行转换
config = yaml_class.get_yaml_data("config.yml")

trans = ocr.OCR()
path_excel = trans.img_to_excel(
    pic_path,
    image_path=pic_path,
    secret_id=config['secret_id'],
    secret_key=config['secret_key'],
)

old_excel = xlrd.open_workbook('output.xlsx')
new_excel = copy(old_excel)
ws = new_excel.get_sheet(0)
new_excel.save(pic_path+'.xls')

ocr.py：

# -*- coding: utf-8 -*-
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.ocr.v20181119 import ocr_client, models

import base64

# OCR识别封装
class OCR(object):

    def img_to_excel(self,
                     output_file_name,
                     image_path,
                     secret_id,
                     secret_key):
        # 实例化一个认证对象，入参需要传入腾讯云账户secretId，secretKey
        cred = credential.Credential(
            secret_id,
            secret_key
        )
        # 实例化client对象
        httpProfile = HttpProfile()
        httpProfile.endpoint = "ocr.tencentcloudapi.com"
        clientProfile = ClientProfile()
        clientProfile.httpProfile = httpProfile
        clientProfile.signMethod = "TC3-HMAC-SHA256"
        client = ocr_client.OcrClient(cred, "ap-shanghai", clientProfile)
        # 实例化一个请求对象
        req = models.GeneralFastOCRRequest()
        # 读取图片数据，使用Base64编码
        with open(image_path, 'rb') as f:
            image = f.read()
            image_base64 = str(base64.b64encode(image), encoding='utf-8')
        req.ImageBase64 = image_base64
        # 通过client对象调用访问接口，传入请求对象
        resp = client.TableOCR(req)
        # 获取返回数据（Data为Base64编码后的Excel数据）
        data = resp.Data
        # 转换为Excel
        output_file_name = str(output_file_name)
        path_excel = output_file_name+".xlsx"
        with open(path_excel, 'wb') as f:
            f.write(base64.b64decode(data))
        return path_excel

yaml读取配置文件（yaml_class.py）：

# -*- coding: utf-8 -*-
import yaml

def get_yaml_data(yaml_file):
    # 打开yaml文件
    file = open(yaml_file, 'r', encoding="utf-8")
    file_data = file.read()
    file.close()
    # 将字符串转化为字典或列表
    data = yaml.load(file_data)
    return data

config.yml：

# -*- coding: utf-8 -*-
secret_id: AKIDPzLSHRK3bZUCSyCF3Z45Bj0LRHs0Ynzb
secret_key: Qa5QeYKwIQI4ZxDQFq663jIs********

虽然没得讲得很详细，但基本步骤就是这些，这样就可以利用腾讯的云服务，把excel图片识别出来，再转换成excel文件。

（2021.2.1更新）

上面ocr.py代码更详细的解释，可以看官方的例子：TencentCloud / tencentcloud-sdk-python

ocr.py是改装的关键，所以最近又深入了解了一下，甚至可以看看源代码：ocr_client.py与models.py源代码

文字识别，也分很多种接口，通用文字、卡证文字、票据单据、汽车相关、行业文档等多场景下的印刷体、手写体文字识别：https://cloud.tencent.com/document/product/866/49525

每个人的需求不同，所以很有必要深入学习下。比如表格识别，就有两个版本：

而我们上面的ocr.py采用的是V1版本，现在已经不推荐使用了，可以改成V2版本。V2版本的公共接口是RecognizeTableOCR，对应上面的代码改动如下:

# 通过client对象调用访问接口，传入请求对象
resp = client.RecognizeTableOCR(req)

另外，还有一个比较关键的东西，那就是识别对象是哪种，印刷体，还是手写体、英文体？上面的ocr.py用的是GeneralFastOCR，即印刷体。

总的来说，ocr.py作用的就是通过GeneralFastOCR识别印刷字体，然后通过RecognizeTableOCR转换成excel表格。如果需要识别手写体怎么办？

需要修改models.GeneralFastOCRRequest：

# 实例化一个请求对象
req = models.GeneralHandwritingOCRRequest()
...
# 通过client对象调用访问接口，传入请求对象
resp = client.RecognizeTableOCR(req)
data = resp.Data

还有那个服务器地域，可以取以下值：

华北地区(北京)	ap-beijing
华南地区(广州)	ap-guangzhou
港澳台地区(中国香港)	ap-hongkong
亚太东北(首尔)	ap-seoul
华东地区(上海)	ap-shanghai
亚太东南(新加坡)	ap-singapore
北美地区(多伦多)	na-toronto

也就是离哪个服务器近就选哪个。