python图片转Excel-python文字识别-图片文字识别-亲测可用

需求背景

图片形式的表格，截图，里面有包括公司名称在内的信息，要提取公司名称的名单，把它转成Excel的形式。单张图片的话，直接qq / 微信截图识别就可以，但是业务上是需要识别多张图片（至少20张），每月一到两次。

探索过程

一开始想的是找找相关的python包，类似与word2pdf、pdf转图片等等，也都有对应的包，我用着也还顺手。也找到了相关的包，but…
试了easyocr包，安装没啥问题，import导包就报错了，找了半天原因，无果。
试了BeautifulSoup包，运行出错，解决一个报错又冒出一个…几番折腾无果，马上放弃。
试了easyocr包，import导入就报错，这个torch模块一直有问题，查了半天资料，试了几种方法都没有解决，估计这个包没人在维护了，本身就出了问题。

试了TesseractOCR包，中间也报错了，不过在我坚持不懈之下，终于都解决了，装上 包，去github手动下载语言包，手动给他装上，run它，终于跑出来了，我打松一口气，心说：“忙活大半天，总算让我搞定了。”but…
一看控制台，识别的效果……惨不忍睹，一半的字都是错的！！
这才想起查资料的过程中看到一句话“可以识别出来，但是效果也就那样。”我当时还想着，肯定是你的原因，我来弄肯定效果不错，哈哈哈，网友不会骗人的。
终于，还是网友的话点醒了我“搞什么乱七八糟的代码啊包啊，还不如qq截图识别来的精确。”走投无路之下，脑中灵光一闪：qq识别的好，为什么不能用qq呢？有个东西可是叫“接口”啊。
于是回归主线，之前也试过百度云的接口，结果也没弄成，测代码一直提示身份验证不成功，于是就放弃了，当时也就顺带把其他的云接口判了死刑。现在没办法啊，能想到的方法都试过了，有枣没枣的打一杆子吧。
一试腾讯云，注册账号，开通服务，一测代码，成立！！效果就是qq、微信识图的程度！！腾讯云牛批！！

解决过程及代码

1.腾讯云注册账号和实名认证

登录这个地址 https://cloud.tencent.com/document/product/598/37140 现完成腾讯云账号注册和实名认证，再根据引导新建应用获取 id 和 key 。有了 id 和 key ，并不能马上跑代码，会报错说没有身份验证。

2.开通文字识别功能

点这个链接 https://cloud.tencent.com/login?s_url=https%3A%2F%2Fconsole.cloud.tencent.com%2Focr%2Fgeneral 去开通该功能，开通后到达下一个时间整点，再跑代码，就不会报错了。

3.代码逻辑

know()方法调用腾讯云的接口，对图片内容进行识别，返回的结果是json格式的文件，把返回json放到 https://www.json.cn 网站进行解析，看清楚json的具体结构，对症下药对json进行处理，提取我们想要的文字内容。
draw()方法里，把json转为字典，根据实际的特点提取到公司的名称，放到一个数组里。draw_puls()方法只是我根据实际情况对文字提取做的补丁，可以不用看。
得到了公司名称的数组，把它转为DataFrame，调用to_csv()或to_excel()，即可完成图片到Excel的转换，nice!

# 导包
import json
import poocr
import json
import os

def know(img_path):
    '''
    # 调用腾讯云的接口，识别图片内容，返回json格式
    # 获取id和key的地址：https://cloud.tencent.com/document/product/598/37140
    # 全部功能 的文档：https://mp.weixin.qq.com/s/WxICBZZSgkm-OrvXB82hbg
    # 可以填写本地图片的地址：img_path，也可以填写在线图片的地址：img_url ，如果2个都填，则只用在线图片img_url
    '''
    id = 'AKIDhE******************************'
    key = 'oQt7*****************************'
    return poocr.ocr.GeneralBasicOCR(img_path, id=id, key=key)

def draw(jsons):
    '''
    # 提取公司名称，返回公司名称的数组
    '''
    df = json.loads(str(jsons).replace("'", "\"")) # 把json转为字典
    entablishments = []
    for words in df['TextDetections']:
        word = words['DetectedText']
        if ('限' in word) and ('司' in word):
            entablishments.append(word)
    return entablishments

def draw_puls(jsons):
    '''
    # 提取公司名称，返回公司名称的数组 【找可能会被遗漏的公司】
    # finds数组可以更新！
    '''
    df = json.loads(str(jsons).replace("'", "\"")) # 把json转为字典
    entablishments = []
    point = 0 # 做一个指针
    finds = ['个人独资企业','合伙企业','个人独资企业分支机构','农民专业合作社']
    for words in df['TextDetections']:
        point += 1  # 人为给字典标下标 
        word = words['DetectedText']
        if any(find in word and find for find in finds):
            entablishments.append(df['TextDetections'][point-2]['DetectedText'])
            print(df['TextDetections'][point-2]['DetectedText'])
    return entablishments

# 识别所有的公司名称
img_path = 'imgs'
paths = os.listdir(img_path)
entablishments_all = []
for p in paths:
    result = know(img_path + '/' + p)
    entablishments = draw(result)
    entablishments_all.extend(entablishments)

dates = '2024-04' # 迁入日期
df = pd.DataFrame({
    '公司名称': entablishments_all,
    '迁入日期': dates
})
df.index = df.index + 1 # 更新索引从1开始
df.to_csv('迁入企业名单.csv', encoding='gbk')

最后的效果：

总结

这次解决这个问题，前后花了4天时间（当然是上班间隙，让我一个问题连续弄4天我也顶不住），断断续续的，倒也让我没被彻底难住、放弃。虽然就是一个简单的图片文字识别功能，手机上甚至都是自动识别，但是真正要将它适配到我们具体的工作场景时，就不是简单的事了。

拆分思维

一开始想的是找一个包，直接就帮我完成“输入图片——输出Excel”的过程，结果并没有那么理想的包，最终的完成过程是“输入图片——识别文字内容——编排文字格式——输出Excel”，由此也可见，当某个问题无法一下子解决时，可以尝试把问题分解开来，解决它的子问题，则整个问题也就会迎刃而解。
腾讯云的功能还有很多，个人注册也有免费试用额度，一般而言都够用了，还是编程界那句谚语：“不必再造车轮”，腾讯云帮我封装好了api，我拿来用就好了，不用想着自己设计一个什么代码。

水磨工夫

解决问题的能力只有在解决问题的过程中才能够提升。我从刚开始接触java时见到代码爆红就慌，到现在python爆红几次都一脸淡然。这其中解决了许许多多的问题，也就是在这种水磨工夫之下，厚积薄发，我成长了。有耐心、信心和一个小问题磕四天。回头看，我真要给自己点个赞！！

码字不易，如果文章对你有那么一丢丢启发，麻烦点个赞吧~

打个补丁-20240605

本月实际应用后，发现一个问题，多张图片进行识别，最后有个别图片的内容识别的不准确，导致公司的名字搜不到，影响后续工作。
识别不准确以后想回来原图片找找它的原图，结果很不好找。不知道是哪张图片里识别的。

因此，应该优化一下代码，把识别内容来自哪张图片也记录下来。

新建一个数组，同步记录每个识别内容的图片名称。这样就更方便了，当有发现识别有误的时候，再返回去看原始图片就OK了。哈哈，一段好用的代码总要经过一点一点的优化，共勉~