【和ChatGPT对话】帮助新手批量提取图片文字信息到文件 |
您所在的位置：网站首页 › word怎么提取图中文字的内容 › 【和ChatGPT对话】帮助新手批量提取图片文字信息到文件 |
|
前言和小结
今天的另外一个案例是模拟有一定编程基础（新新手）的电脑工作者，让 ChatGPT 处理一些图片数据，需求复杂一些。 具体任务是帮助识别学生缴费图片的信息，便于复核。然后 …… ChatGPT 继续使用 python， 活干得不错。 后面换用 go 语言的过程中，由于 ChatGPT 每次会话字符串长度限制，输出不完整，结果有瑕疵，出现了两个 main 函数，然后修复了。然后使用腾讯云服务，同样原因同样问题，但是已经把最关键的调用部分写得很清楚了，追问了一下流程图也是对的。就不细究了。 Q1 写一个识别图片上的日期、学号和完成字样的算法这个问题涉及到计算机视觉领域的复杂算法和技术，需要使用多个步骤和技术来实现。以下是一个基本的算法流程： 图像预处理：首先需要将图像进行预处理，例如将其转换为灰度图像、二值化、去除噪声等。这可以通过使用OpenCV等计算机视觉库实现。 文字区域检测：使用文字检测算法，如EAST、CTPN等，检测图像中的文本区域。这些算法可以在开源计算机视觉库中找到。 文字识别：对于每个检测到的文本区域，使用OCR算法（如Tesseract、CRNN等）进行文字识别。OCR算法可以将文本区域中的像素转换为字符。 日期和学号识别：对于识别出的文本，使用正则表达式或其他模式匹配算法识别出日期和学号。这需要根据实际情况进行调整。 完成字样识别：使用类似的技术来检测并识别完成字样。 需要注意的是，这只是一个基本的算法流程，需要根据实际情况进行优化和调整。例如，如果图片的质量很低或者图像中有其他干扰元素，就需要更加复杂的处理方法。 Q2 日期格式 2023-02-15 15:00:00，学号格式 15627856，完成字样格式 缴费完成，写一个 python 的本地实现以下是一个基于Python的本地实现，可以通过读取输入图像，使用OpenCV和Tesseract库来识别图片上的日期、学号和完成字样。请注意，这只是一个基本的实现，需要根据具体情况进行优化和调整： import cv2 import pytesseract import re # 读取图像 img = cv2.imread("image.jpg") # 将图像转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用OCR进行文字识别 text = pytesseract.image_to_string(gray) # 识别日期 date_regex = r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}" date_match = re.search(date_regex, text) if date_match: date = date_match.group(0) print("日期: ", date) else: print("未能识别日期。") # 识别学号 id_regex = r"\d{8}" id_match = re.search(id_regex, text) if id_match: id = id_match.group(0) print("学号: ", id) else: print("未能识别学号。") # 识别完成字样 complete_regex = r"完成" complete_match = re.search(complete_regex, text) if complete_match: complete = complete_match.group(0) print("完成: ", complete) else: print("未能识别完成字样。")这个实现假设图像中只包含日期、学号和完成字样，如果图像中还有其他文本，可能会影响结果。因此，如果图像中包含多个文本块，则需要在识别之前使用文本检测算法进行文本区域检测。 Q3 我有一批图片处理，写一个批处理的算法，识别处理完成后，将图片名称、识别结果存储到csv文件，如果识别失败，注明是哪项以下是一个批处理的算法，使用了前面提到的Python实现和csv库，将每个图片的识别结果存储到csv文件中： import cv2 import pytesseract import re import os import csv # 设置输入和输出文件夹 input_folder = "input" output_folder = "output" if not os.path.exists(output_folder): os.mkdir(output_folder) # 定义输出csv文件 csv_file = open("output.csv", "w", newline="") csv_writer = csv.writer(csv_file) csv_writer.writerow(["文件名", "日期", "学号", "完成"]) # 遍历所有输入图片 for filename in os.listdir(input_folder): # 读取图像 img = cv2.imread(os.path.join(input_folder, filename)) # 将图像转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用OCR进行文字识别 text = pytesseract.image_to_string(gray) # 识别日期 date_regex = r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}" date_match = re.search(date_regex, text) if date_match: date = date_match.group(0) else: date = "未能识别日期。" # 识别学号 id_regex = r"\d{8}" id_match = re.search(id_regex, text) if id_match: id = id_match.group(0) else: id = "未能识别学号。" # 识别完成字样 complete_regex = r"完成" complete_match = re.search(complete_regex, text) if complete_match: complete = complete_match.group(0) else: complete = "未能识别完成字样。" # 将结果存储到输出文件夹和csv文件中 output_filename = os.path.join(output_folder, filename) cv2.imwrite(output_filename, img) csv_writer.writerow([filename, date, id, complete]) # 关闭csv文件 csv_file.close()这个实现假设输入图片都在一个文件夹中，并且图像文件名可以用来区分不同的图像。如果需要进一步优化实现以适应其他情况，可以根据实际需求进行修改。 Q4 文件太多，有时候识别程序会中断，我得重新运行程序，但是又不想对已经识别的图片重复识别，改一下代码可以在上一个算法的基础上添加一个状态记录来避免对已经识别的图片进行重复识别。以下是一个示例代码： import cv2 import pytesseract import re import os import csv # 设置输入和输出文件夹 input_folder = "input" output_folder = "output" if not os.path.exists(output_folder): os.mkdir(output_folder) # 定义输出csv文件 csv_file = open("output.csv", "w", newline="") csv_writer = csv.writer(csv_file) csv_writer.writerow(["文件名", "日期", "学号", "完成"]) # 定义状态记录文件 status_file = "status.txt" if os.path.exists(status_file): with open(status_file, "r") as f: processed_files = f.read().splitlines() else: processed_files = [] # 遍历所有输入图片 for filename in os.listdir(input_folder): # 如果图片已经处理过，则跳过 if filename in processed_files: continue # 读取图像 img = cv2.imread(os.path.join(input_folder, filename)) # 将图像转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用OCR进行文字识别 text = pytesseract.image_to_string(gray) # 识别日期 date_regex = r"\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}" date_match = re.search(date_regex, text) if date_match: date = date_match.group(0) else: date = "未能识别日期。" # 识别学号 id_regex = r"\d{8}" id_match = re.search(id_regex, text) if id_match: id = id_match.group(0) else: id = "未能识别学号。" # 识别完成字样 complete_regex = r"完成" complete_match = re.search(complete_regex, text) if complete_match: complete = complete_match.group(0) else: complete = "未能识别完成字样。" # 将结果存储到输出文件夹和csv文件中 output_filename = os.path.join(output_folder, filename) cv2.imwrite(output_filename, img) csv_writer.writerow([filename, date, id, complete]) # 将已处理的文件记录到状态文件中 processed_files.append(filename) with open(status_file, "a") as f: f.write(filename + "\n") # 关闭csv文件 csv_file.close()这个实现在运行时会读取状态记录文件，将已经处理过的文件名存储到一个列表中。在遍历输入文件夹时，如果当前文件名在列表中，则跳过该文件。如果处理完一个文件，则将文件名添加到状态记录文件中，以便下次运行程序时可以跳过已经处理过的文件。 Q5 开发一个 web 程序吧，拖动图片到网页上就能识别，支持拖拽多张，显示处理进度，结果可以下载好的，我来为您介绍一个基于 Flask 和 Tesseract OCR 的 Python Web 应用程序，可以支持拖放多个图像文件进行批量识别，并显示进度和下载结果。 首先，您需要安装 Flask 和 Tesseract OCR。可以使用以下命令来安装这两个库： pip install Flask pytesseract接下来，您需要创建一个名为 app.py 的 Python 文件，并在其中添加以下代码： from flask import Flask, render_template, request, redirect, url_for, send_file from werkzeug.utils import secure_filename from PIL import Image import pytesseract import os import uuid import threading app = Flask(__name__) # 设置允许上传的文件类型和大小限制 ALLOWED_EXTENSIONS = set(['png', 'jpg', 'jpeg', 'gif']) MAX_CONTENT_LENGTH = 16 * 1024 * 1024 # 设置上传文件保存的路径 UPLOAD_FOLDER = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'uploads') if not os.path.exists(UPLOAD_FOLDER): os.mkdir(UPLOAD_FOLDER) # 设置允许同时处理的文件数量 MAX_THREAD_COUNT = 10 # 配置 Tesseract OCR pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files/Tesseract-OCR/tesseract.exe' # 定义一个字典来保存处理进度 progress = {} # 定义一个函数来检查上传的文件类型 def allowed_file(filename): return '.' in filename and \ filename.rsplit('.', 1)[1].lower() in ALLOWED_EXTENSIONS # 定义一个函数来启动线程来处理图像 def process_images(images, thread_id): for image in images: try: # 读取图像并进行OCR识别 img = Image.open(image) text = pytesseract.image_to_string(img) # 保存识别结果到文本文件中 result_file = os.path.join(UPLOAD_FOLDER, os.path.splitext(os.path.basename(image))[0] + '.txt') with open(result_file, 'w', encoding='utf-8') as f: f.write(text) # 更新处理进度 progress[thread_id]['processed'] += 1 progress[thread_id]['status'] = '正在处理第 {}/{} 张图像'.format(progress[thread_id]['processed'], progress[thread_id]['total']) except: # 如果处理出现错误，则更新处理进度 progress[thread_id]['failed'].append(os.path.basename(image)) progress[thread_id]['status'] = '正在处理第 {}/{} 张图像（处理失败 {} 张）'.format(progress[thread_id]['processed'], progress[thread_id]['total'], len(progress[thread_id]['failed'])) # 定义一个视图函数来处理上传的图像 @app.route('/', methods=['GET', 'POST']) def upload_file(): if request.method == 'POST': # 检查上传文件是否合法 if 'files[]' not in request.files: return redirect(request.url) files = request.files.getlist('files[]') if len(files) == 0: return redirect(request.url) for file in files: if file.filename == '': return redirect(request.url) if not allowed_file(file.filename): return redirect(request.url) # 生成一个唯一的ID，并将图像保存到上传文件夹中 thread_id = str(uuid.uuid4()) thread_folder = os.path.join(UPLOAD_FOLDER, thread_id) os.mkdir(thread_folder) for file in files: filename = secure_filename(file.filename) file_path = os.path.join(thread_folder, filename) file.save(file_path) # 计算图像数量和每个线程要处理的图像数量 total_images = len(files) images_per_thread = total_images // MAX_THREAD_COUNT if total_images % MAX_THREAD_COUNT != 0: images_per_thread += 1 # 初始化处理进度 progress[thread_id] = { 'total': total_images, 'processed': 0, 'failed': [], 'status': '正在处理第 0/{} 张图像'.format(total_images) } # 启动线程来处理图像 threads = [] for i in range(MAX_THREAD_COUNT): start_index = i * images_per_thread end_index = min(start_index + images_per_thread, total_images) if start_index >= end_index: break images = [os.path.join(thread_folder, files[j].filename) for j in range(start_index, end_index)] thread = threading.Thread(target=process_images, args=(images, thread_id)) threads.append(thread) thread.start() # 返回进度页面 return redirect(url_for('progress', thread_id=thread_id)) # 显示上传页面 return render_template('upload.html') 定义一个视图函数来显示处理进度 @app.route('/progress/') def progress(thread_id): if thread_id not in progress: return '错误：无效的线程ID' if progress[thread_id]['processed'] < progress[thread_id]['total']: return render_template('progress.html', thread_id=thread_id, status=progress[thread_id]['status'], progress=progress[thread_id]['processed'], total=progress[thread_id]['total'], failed=progress[thread_id]['failed']) else: return redirect(url_for('download', thread_id=thread_id)) 定义一个视图函数来下载处理结果 @app.route('/download/') def download(thread_id): if thread_id not in progress: return '错误：无效的线程ID' result_file = os.path.join(UPLOAD_FOLDER, thread_id + '.zip') if not os.path.exists(result_file): # 将所有处理结果压缩成一个zip文件 thread_folder = os.path.join(UPLOAD_FOLDER, thread_id) files = [os.path.join(thread_folder, f) for f in os.listdir(thread_folder) if f.endswith('.txt')] os.system('cd {} && zip -r ../{}.zip .'.format(thread_folder, thread_id)) # 返回压缩文件作为下载 return send_file(result_file, as_attachment=True) if name == 'main': app.run(debug=True) Q6 能不能使用go开发当然可以使用Go语言开发相同的应用程序，Go也有类似Python的OCR库，可以用来识别图像中的文本。同时，Go也有很多优秀的Web框架和第三方库，可以用来开发Web应用程序。下面是Go语言版本的实现。 首先，需要安装Go语言的OCR库，如github.com/otiai10/gosseract/v2。这个库可以调用Tesseract OCR引擎，识别图像中的文本。同时，还需要安装Google Cloud Vision API的Go语言SDK。 go get github.com/otiai10/gosseract/v2 go get cloud.google.com/go/vision/apiv1然后，需要创建一个Go语言的Web应用程序，处理用户上传的图像，调用OCR库来识别图像中的文本，并将结果返回给用户。下面是一个简单的示例代码： package main import ( "context" "fmt" "html/template" "io" "io/ioutil" "log" "net/http" "os" "path/filepath" "sync" "cloud.google.com/go/storage" "cloud.google.com/go/vision/apiv1" "github.com/otiai10/gosseract/v2" "google.golang.org/api/option" ) func main() { http.HandleFunc("/", handleUpload) http.ListenAndServe(":8080", nil) } func handleUpload(w http.ResponseWriter, r *http.Request) { if r.Method == http.MethodPost { // 读取用户上传的图像文件 file, header, err := r.FormFile("image") if err != nil { http.Error(w, "无法读取上传的文件", http.StatusBadRequest) return } defer file.Close() // 保存图像文件到 Google Cloud Storage ctx := context.Background() client, err := storage.NewClient(ctx, option.WithCredentialsFile("credentials.json")) if err != nil { http.Error(w, "无法连接到 Google Cloud Storage", http.StatusInternalServerError) return } bucket := client.Bucket("your-bucket-name") objectName := fmt.Sprintf("%s-%s", header.Filename, randomString(8)) wc := bucket.Object(objectName).NewWriter(ctx) if _, err = io.Copy(wc, file); err != nil { http.Error(w, "无法保存上传的文件", http.StatusInternalServerError) return } if err := wc.Close(); err != nil { http.Error(w, "无法保存上传的文件", http.StatusInternalServerError) return } // 调用 OCR 库识别图像中的文本 result, err := recognize(ctx, bucket, objectName) if err != nil { http.Error(w, "无法识别图像中的文本", http.StatusInternalServerError) return } // 返回识别结果给用户 data := struct { Image string Result string }{ Image: header.Filename, Result: result, } tmpl, _ := template.ParseFiles("result.html") tmpl.Execute(w, data) } else { // 显示上传表单给用户 tmpl, _ := template.ParseFiles("upload.html") tmpl.Execute(w, nil) } } func recognize(ctx context.Context, bucket *storage.BucketHandle, objectName string) (string, error) { // 使用 Google Cloud Vision API 来识别图像中的文本 client, err := vision.NewImageAnnotatorClient(ctx) if err != nil { return "", err } defer client.Close() image := vision.NewImageFromURI(fmt.Sprintf("gs://%s/%s", bucket.Name(), objectName)) annotations, err := client.DetectTexts(ctx, image, nil, 10) if err != nil { return "", err } var wg sync.WaitGroup var mutex sync.Mutex var results []string // 并发处理识别结果 for _, annotation := range annotations { wg.Add(1) go func(annotation *vision.EntityAnnotation) { defer wg.Done() // 检查文本是否为有效的学号 if isStudentID(annotation.Description) { mutex.Lock() results = append(results, fmt.Sprintf("学号：%s", annotation.Description)) mutex.Unlock() return } // 检查文本是否为有效的日期 if isDate(annotation.Description) { mutex.Lock() results = append(results, fmt.Sprintf("日期：%s", annotation.Description)) mutex.Unlock() return } // 检查文本是否为“完成”字样 if isComplete(annotation.Description) { mutex.Lock() results = append(results, "完成") mutex.Unlock() return } // 如果文本无法识别，则使用 OCR 库进一步处理 text, err := recognizeText(bucket, objectName, annotation.BoundingPoly) if err != nil { mutex.Lock() results = append(results, fmt.Sprintf("无法识别：%s", annotation.Description)) mutex.Unlock() return } // 检查 OCR 库返回的文本是否为有效的学号 if isStudentID(text) { mutex.Lock() results = append(results, fmt.Sprintf("学号：%s", text)) mutex.Unlock() return } // 检查 OCR 库返回的文本是否为有效的日期 if isDate(text) { mutex.Lock() results = append(results, fmt.Sprintf("日期：%s", text)) mutex.Unlock() return } // 如果仍无法识别，则将文本添加到无法识别的列表中 mutex.Lock() results = append(results, fmt.Sprintf("无法识别：%s", annotation.Description)) mutex.Unlock() } (annotation) } wg.Wait() return concatResults(results), nil } func recognizeText(bucket *storage.BucketHandle, objectName string, boundingPoly *vision.BoundingPoly) (string, error) { // 将图像中指定区域的文本使用 OCR 库进行识别 ctx := context.Background() client, err := gosseract.NewClient() if err != nil { return "", err } defer client.Close() imagePath, err := downloadImage(ctx, bucket, objectName) if err != nil { return "", err } defer os.Remove(imagePath) x, y, w, h := getBoundingPolyCoords(boundingPoly) client.SetImage(imagePath, gosseract.Rect(x, y, w, h)) return client.Text() } func downloadImage(ctx context.Context, bucket *storage.BucketHandle, objectName string) (string, error) { // 从 Google Cloud Storage 下载图像文件到本地临时文件 reader, err := bucket.Object(objectName).NewReader(ctx) if err != nil { return "", err } defer reader.Close() content, err := ioutil.ReadAll(reader) if err != nil { return "", err } imagePath := filepath.Join(os.TempDir(), objectName) if err := ioutil.WriteFile(imagePath, content, 0644); err != nil { return "", err } return imagePath, nil } func getBoundingPolyCoords(boundingPoly *vision.BoundingPoly) (int, int, int, int) { // 获取指定区域的坐标 var minX, minY, maxX, maxY int32 for i, vertex := range boundingPoly.Vertices { if i == 0 { minX, minY, maxX, maxY = vertex.X, vertex.Y, vertex.X, vertex.Y continue } if vertex.X < minX { minX = vertex.X } if vertex.Y < minY { minY = vertex.Y } if vertex.X > maxX { maxX = vertex.X } if vertex.Y > maxY { maxY = vertex.Y } } return int(minX), int(minY), int(maxX-minX), int(maxY-minY) } func concatResults(results []string) string { // 将结果拼接成一个字符串 return strings.Join(results, "\n") } func isStudentID(text string) bool { // 检查文本是否为有效的学号 return regexp.MustCompile(^\d{8}$).MatchString(text) } func isDate(text string) bool { // 检查文本是否为有效的日期 _, err := time.Parse("2006-01-02 15:04:05", text) return err == nil } func isComplete(text string) bool { // 检查文本是否为“完成”字样 return strings.Contains(text, "完成") } func getAnnotations(imageURI string) ([]*vision.EntityAnnotation, error) { // 从 Google Cloud Vision API 获取图像的文本注释 ctx := context.Background() client, err := vision.NewImageAnnotatorClient(ctx) if err != nil { return nil, err } defer client.Close() image := vision.NewImageFromURI(imageURI) annotations, err := client.DetectTexts(ctx, image, nil, 1) if err != nil { return nil, err } return annotations, nil } func processImage(imageURI string) (string, error) { // 处理一张图像并返回识别结果 var results []string // 获取文本注释 annotations, err := getAnnotations(imageURI) if err != nil { return "", err } // 处理每个注释 for _, annotation := range annotations { // 忽略非文本注释 if annotation.Description == "" { continue } // 获取文本注释所在的矩形区域 x, y, w, h := getBoundingRect(annotation.BoundingPoly) // 将结果添加到列表中 if isStudentID(annotation.Description) { results = append(results, fmt.Sprintf("学号: %s", annotation.Description)) } else if isDate(annotation.Description) { results = append(results, fmt.Sprintf("日期: %s", annotation.Description)) } else if isComplete(annotation.Description) { results = append(results, fmt.Sprintf("状态: %s", annotation.Description)) } else { results = append(results, fmt.Sprintf("未知文本 \"%s\" 在 (%d, %d, %d, %d)", annotation.Description, x, y, w, h)) } } // 将结果拼接成一个字符串 resultStr := concatResults(results) return resultStr, nil } func handleImage(w http.ResponseWriter, r *http.Request) { // 处理上传的图像文件 // 设置响应头 w.Header().Set("Content-Type", "text/csv") w.Header().Set("Content-Disposition", "attachment; filename=result.csv") // 解析表单 err := r.ParseMultipartForm(32 调用 OCR API 进行图片识别 -> 处理结果保存到 CSV 文件 -> 返回识别结果给用户 -> 结束其中，图片预处理的主要目的是将原始图片进行格式转换、缩放等操作，以满足 OCR API 对图片的要求。OCR API 的调用可以通过腾讯云等提供商的 API 接口实现。处理结果保存到 CSV 文件后，可以通过下载链接将 CSV 文件提供给用户。 https://www.ips99.com/show/4/231891.html |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
| CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |