Python实战：批量图片文字识别并导出至Excel

引言

在日常工作和学习中，我们经常会遇到需要从图片中提取文字的场景，比如扫描件、截图等。手动输入不仅效率低下，还容易出错。幸运的是，Python提供了强大的库来帮助我们自动化这一过程。本文将指导你如何使用Python的pytesseract（一个Tesseract-OCR的Python封装）和Pillow（Python Imaging Library的一个分支）来识别图片中的文字，并使用pandas和openpyxl将结果保存到Excel文件中。

环境准备

首先，确保你的Python环境已经安装以下库：

• Pillow：用于图像处理
• pytesseract：用于OCR识别
• pandas：用于数据处理
• openpyxl：用于写入Excel文件

如果没有安装，可以通过pip安装：

pip install Pillow pytesseract pandas openpyxl

注意：pytesseract需要Tesseract-OCR引擎的支持，你需要从Tesseract GitHub页面下载并安装它。安装完成后，需要设置环境变量TESSDATA_PREFIX指向Tesseract的数据文件目录，或者将Tesseract的执行文件路径添加到系统的PATH变量中。

编写代码

1. 导入必要的库

import pytesseract
from PIL import Image
import pandas as pd
import os

2. 配置Tesseract路径（如果需要）

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # 示例路径，根据实际情况修改

3. 编写函数识别图片中的文字

def ocr_image(image_path):
    img = Image.open(image_path)
    text = pytesseract.image_to_string(img, lang='chi_sim')  # 使用中文简体模型
    return text

4. 批量处理图片并保存结果到DataFrame

def process_images(folder_path, output_file):
    results = []
    for filename in os.listdir(folder_path):
        if filename.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.tiff', '.gif')):
            image_path = os.path.join(folder_path, filename)
            text = ocr_image(image_path)
            results.append({'filename': filename, 'text': text})
    df = pd.DataFrame(results)
    df.to_excel(output_file, index=False, engine='openpyxl')
    print(f'Results saved to {output_file}')

5. 调用函数

folder_path = 'path_to_your_images'  # 图片文件夹路径
output_file = 'output.xlsx'  # 输出Excel文件名
process_images(folder_path, output_file)

注意事项

• 确保图片路径和文件名正确无误。
• 根据需要调整tesseract_cmd的路径。
• 根据图片中的文字语言，选择合适的Tesseract语言包（在上述代码中为lang='chi_sim'，表示中文简体）。
• 如果图片中的文字方向不是水平的，可能需要使用额外的参数来调整OCR识别。

结论

通过上述步骤，你可以轻松实现图片文字的批量识别，并将结果整理存储到Excel文件中。这不仅提高了工作效率，还减少了人为错误。Python的强大功能和丰富的库使得这类自动化任务变得简单可行。希望这篇文章对你有所帮助！