例37是调用的百度AI通用文字识别来识别图片上的文字。但工作中有很多表格文档的扫描件,有没有能直接识别表格的模块,识别完成后直接存为Excel表格呢?答案是:有的,老板!那就是百度人工智能的tableRecognitionAsync
接口。接口说明网址:https://cloud.baidu.com/doc/OCR/s/3k3h7yeqa
今天我们就来试试用Python调用表格识别模块识别表格文档的扫描件吧。在开始前,需要检查图片的大小,必须在1K~4M之间,不然会报错“'error_msg': 'image size error, image is too big or too small, upper limit 4M, lower limit 1k, please check your param'”。
from aip import AipOcr #导入AipOcr模块,用于做文字识别
APP_ID = '你申请的'
API_KEY = '你申请的'
SECRET_KEY = '你申请的'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
file = "图片\\3.png"
pic = open(file,'rb') #以二进制方式打开图片
img = pic.read() #读取
table = client.tableRecognitionAsync(img) #调用表格识别模块
print(table)
>>
{'result': [{'request_id': '20109216_1823419'}], 'log_id': 1590807976477153}
我们先随便取一张图片来试运行一下。最开始,还是老规矩,导入AipOcr模块,填好在百度AI平台申请的ID和KEY。然后以二进制方式打开图片,读取,然后调用表格识别模块tableRecognitionAsync()
,并将返回值存入变量table
中。打印table
,看它长啥样儿。我们看到table
是一个字典,其中有2个键,一个叫result
,一个叫log_id
。我们需要的是result
中的request_id
,通过这个ID,可以获取识别完成后所保存的Excel表格的下载地址。提取request_id
的方法如下。因为result
键对应的值是一个列表,列表里面只有1个元素,所以需要加上[0]
。
request_id = table['result'][0]['request_id']
request_id
>>
'20109216_1823419'
然后,就可以通过request_id
查询Excel表格的下载地址了。将request_id
传入getTableRecognitionResult()
就能获取结果。打印一下结果result
,就能看到下面的内容。其中result_data
对应的那个网址就是Excel表格的下载地址。将那个网址复制粘贴到浏览器,就能下载包含识别结果的Excel文件了。这个Excel文件有6张工作表,具体包含与图片中表格内容的对应关系如下。body
储存表格部分的内容,header
储存表头的文字,footer
储存表尾的文字。
result = client.getTableRecognitionResult(request_id)
print(result)
>>
{'result': {'result_data': 'http://bj.bcebos.com/v1/ai-edgecloud/CE6A642920A048F2AD300F6BEAFA9475.xls?authorization=bce-auth-v1%2Ff86a2044998643b5abc89b59158bad6d%2F2020-05-30T03%3A06%3A26Z%2F172800%2F%2F7bfa6447d47fb9366f36db1b9c4dc3db8a545336ad65320ac91a77922ac209b7', 'ret_msg': '已完成', 'request_id': '20109216_1823419', 'percent': 100, 'ret_code': 3}, 'log_id': 1590807993696156}
以上,单张图片识别测试成功。下面就来完善程序,实现批量识别和Excel文件的自动下载。先获取所有图片的路径,存入pictures
列表。结果如下。
#获取路径下所有图片文件,并存入列表
import os
work_path = "图片\\"
pictures=[] # 存储文件夹内所有文件的路径(包括子目录内的文件)
for root, dirs, files in os.walk(work_path):
path = [os.path.join(root, name) for name in files]
pictures.extend(path)
pictures
>>
['图片\\收货表.jpg', '图片\\论文.jpg']
然后将所有图片逐个传入表格识别接口,获取其请求ID及存有识别结果的Excel文件的下载地址。在提取Excel下载路径之前,需要先判断识别是否完成。这是通过识别结果返回的字典中的'ret_msg'
对应的值来判断的。只有当它是“已完成”时,才能获得下载链接。此处用了while
循环,每隔2秒刷新一下状态,直到状态是“已完成”时,才提取链接。然后使用requests.get()
获取下载链接信息,写入Excel文件。Excel自动命名及下载结果如图。
from aip import AipOcr #导入AipOcr模块,用于做文字识别
import time #时间模块
import requests #用于HTTP请求
APP_ID = '你申请的'
API_KEY = '你申请的'
SECRET_KEY = '你申请的'
client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
#提交识别请求,并储存所有请求ID
for picture in pictures:
pic = open(picture,'rb') #以二进制方式打开图片
img = pic.read() #读取
table = client.tableRecognitionAsync(img) #调用表格识别模块
request_id = table['result'][0]['request_id']
#判断识别是否完成,直到完成才根据请求ID获取Excel下载路径
result = client.getTableRecognitionResult(request_id) #通过ID获取识别结果
while result['result']['ret_msg'] != '已完成': #如果状态是“已完成”,才能获取下载地址
time.sleep(2) #暂停2秒再刷新
result = client.getTableRecognitionResult(request_id) #持续刷新,直到满足条件
download_path = result['result']['result_data']
#下载并将Excel文件名设为图片名
excel_name = picture.split(".")[0] + ".xls" #让excel文件的名字与图片相同
excel = requests.get(download_path) #抓取下载链接
file = open(excel_name, 'wb') #新建excel文件
file.write(excel.content) #写入excel文件并保存
此处拿了两张图片做测试,一张比较清晰,一张相对模糊。清晰的图片测试结果如下:
相对模糊的图片测试结果如下:
可见,还是清晰度是关键啊。毕竟菜要好吃,至少原料要过得去嘛。
如果您有需要处理的问题,可发邮件到我邮箱:donyo@qq.com,一起探讨解决方案。
微信公众号(Python操作Office软件高效工作)输入“源文件”提取所有源文件及资料。