用Python复刻复旦大学博士关于核酸检测的ocr功能

事情背景

，简单来说，就是复旦大学需要开展全员核酸检测，而辅导员要收集学生的“健康云”截图，并挨着查看是否参加核酸。然后这位李小康博士大佬用OCR和正则表达式提取出截图里的关键字导出到Excel里。

原文：
https://mp.weixin.qq.com/s?__biz=MjM5OTUwMzIwMQ==&mid=2651401722&idx=1&sn=cead758149bc1906c9ea3912742aa07c&scene=21#wechat_redirect

新闻报道出来之后，不同的人有不同的言论和见解。这里不多说，仁者见仁智者见智。
我挺喜欢这种学以致用的氛围的。
因为我一直坚持：学习不只是学习，学习是为了解决问题。

废话不多说。斗胆复刻一下。作为刚学Python没多久的小萌新，实现了一个小功能，也算是一种精神激励吧。

我这个复刻版跟原版的不同点：
1、ocr不知道人家用的什么技术。我这里用的是百度ocr。有免费额度。自己注册个账号就行。百度智能云：https://cloud.baidu.com/?from=console
2、正则表达式，文章中说用到了正则表达式，而我是一个怎么都学不会正则表达式的人，决定放弃正则。
3、我在北京，只用过北京健康宝，跟健康云不一样。所以ocr的内容也不一样。

所以，按我的实际情况，

实现思路如下：

1、把截图收集好了，放到文件夹下。我这里只有两张图片。

2、用百度ocr识别（百度智能云，通用文字识别（标准版）https://cloud.baidu.com/doc/OCR/s/zk3h7xz52）
3、解析返回的数据
4、用pandas写入表格

具体代码：

# encoding:utf-8
import os
import requests
import base64
import pandas as pd


def get_token():# 获取access_token，必要的步骤。没这个token百度就不让你用
    api_key = 'XXXXXXXXXXXXX'# 从百度智能云获取
    Secret_Key = 'XXXXXXXXXXXXXX' #从百度智能云获取
    host = f'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={api_key}&client_secret={Secret_Key}'
    response = requests.get(host)
    access_token = response.json()['access_token']
    return access_token

def do_ocr(file_name):#定义ocr识别的方法。并返回识别出来的内容
    request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
    # 二进制方式打开图片文件
    f = open(rf'D:\code\练手\百度OCR\健康宝\images\{file_name}', 'rb')
    img = base64.b64encode(f.read())

    params = {"image": img}
    access_token = get_token()
    request_url = request_url + "?access_token=" + access_token
    headers = {'content-type': 'application/x-www-form-urlencoded'}
    response = requests.post(request_url, data=params, headers=headers)
    if response:
        print(response.json())
        user_name = response.json()['words_result'][0]['words']
        user_result = response.json()['words_result'][1]['words']
        user_org = response.json()['words_result'][7]['words']
        user_time = response.json()['words_result'][-1]['words']
        print(user_name, user_result, user_org, user_time)
        return user_name, user_result, user_org, user_time

if __name__ == '__main__':
    file_list = []
    path = r'D:\code\练手\百度OCR\健康宝\images'
    for i in os.listdir(path):
        file_list.append(i)

    result_list = []
    for i in file_list:
        result = do_ocr(i)
        xingming = result[0]
        jieguo = result[1]
        org = result[2]
        time = result[3]
        result_list.append([xingming, jieguo, org, time])
    df = pd.DataFrame(result_list, columns=['姓名', '结果', '机构', '时间'])
    df.to_excel(r'D:\code\练手\百度OCR\健康宝\result.xlsx', index=False)

标题最终得到的Excel结果：

这个代码其实还是有几个问题的。
1、ocr识别的内容，可能会存在返回参数个数的差异（百度api的锅，解决不了）。比如我要识别的两张图，图1返回值有8个，图2返回值有9个，而我是用下标进行取值的，这样的话，参数不一致会导致用下标取值出现取值错误。
计划使用小算法，进行更正。To Be Continue…
2、对截图要求较高，出现其他干扰文字，会导致识别结果出现问题。

后续需改进，这次就先到这里。起码先实现了简易版的功能。