腾讯云文字识别API提取表格数据并生成Excel文件

本文主要介绍了利用腾讯云表格文字识别API提取图片表格数据并生成Excel文件。主要涉及的知识点有：腾讯云API的调用、json文件的处理以及Excel文件的生成。

背景

在工作中，各种电子文件和纸质文件满天飞，穿梭于各个用户终端之间。有时，我们需要将纸质版数据电子化，往往需要耗费大量的人力，从而增加工作负担。一种被称为OCR的技术的发明，在一定程度上解决了这个问题。文字识别技术已经发展的十分成熟，我们熟知的软件，如QQ等，都可以进行文字识别。但是支持结构化的表格文字识别的工具不多，即使有，大多数也是收费的——目前我们还没有养成付费使用的习惯。

鉴于上述情况，本文利用腾讯云提供的表格文字提取API，结合python，实现了表格文字批量提取的功能，避免了手动录入的尴尬，减轻了工作负担。

使用工具及python包介绍

腾讯API

国内大型互联网公司都提供云服务，如阿里、百度、腾讯等。本文选择腾讯云服务，是因为提供的API说明比较详细，看一遍就能用。更良心的是，提供了在线测试的功能，基本不用写代码也能够测试效果。

Python包

pandas 数据分析必备包，用来对二维表数据进行分析整合。

os 更改系统配置信息，如列出工作目录的文件，更改工作目录等。

json 用来处理json数据，或者把字符串等其他格式的数据转化为json数据。

base64 用来对图片进行base64编码，这是根据API的要求做的。

xlwings 用来与Excel进行交互，几乎可以取代VBA，容易学习。

tencentcloud 腾讯云服务，提供了很多功能，值得探索。

re 正则表达式包，用来处理字符串中的空格等。

必要的准备工作

注册腾讯云，获取SecretID和SecretKey.

在控制台新建一个API秘钥，获取SecretID和SecretKey.

准备几张较为清晰的截图

代码实现

# from PIL import Image# import pytesseract##导入通用包import numpy as npimport pandas as pdimport osimport jsonimport reimport base64import xlwings as xw##导入腾讯AI apifrom mon import credentialfrom mon.profile.client_profile import ClientProfilefrom mon.profile.http_profile import HttpProfilefrom mon.exception.tencent_cloud_sdk_exception import TencentCloudSDKExceptionfrom tencentcloud.ocr.v1119 import ocr_client, models#定义函数def excelFromPictures(picture,SecretId,SecretKey):try:with open(picture,"rb") as f:img_data = f.read()img_base64 = base64.b64encode(img_data)cred = credential.Credential(SecretId, SecretKey) #ID和Secret从腾讯云申请httpProfile = HttpProfile()httpProfile.endpoint = ""clientProfile = ClientProfile()clientProfile.httpProfile = httpProfileclient = ocr_client.OcrClient(cred, "ap-shanghai", clientProfile)req = models.TableOCRRequest()params = '{"ImageBase64":"' + str(img_base64, 'utf-8') + '"}'req.from_json_string(params)resp = client.TableOCR(req)#print(resp.to_json_string())except TencentCloudSDKException as err:print(err)##提取识别出的数据，并且生成jsonresult1 = json.loads(resp.to_json_string())rowIndex = []colIndex = []content = []for item in result1['TextDetections']:rowIndex.append(item['RowTl'])colIndex.append(item['ColTl'])content.append(item['Text'])##导出Excel##ExcelWriter方案rowIndex = pd.Series(rowIndex)colIndex = pd.Series(colIndex)index = rowIndex.unique()index.sort()columns = colIndex.unique()columns.sort()data = pd.DataFrame(index = index, columns = columns)for i in range(len(rowIndex)):data.loc[rowIndex[i],colIndex[i]] = re.sub(" ","",content[i])writer = pd.ExcelWriter("../tables/" + re.match(".*\.",f.name).group() + "xlsx", engine='xlsxwriter')data.to_excel(writer,sheet_name = 'Sheet1', index=False,header = False)writer.save()#xlwings方案 # wb = xw.Book()# sht = wb.sheets('Sheet1')# for i in range(len(rowIndex)):#sht[rowIndex[i],colIndex[i]].value = re.sub(" ",'',content[i])# wb.save("../tables/" + re.match(".*\.",f.name).group() + "xlsx")# wb.close()if not ('tables') in os.listdir():os.mkdir("./tables/")os.chdir("./pictures/")pictures = os.listdir()for pic in pictures:excelFromPictures(pic,"AKIDKRJwJWBhhcXDfreUv618eu3SGrEMFCYj","rbCXhbKtGn57tDI7k8fwxjHZbNyMUP7i")print("已经完成" + pic + "的提取.")

posted @ -06-14 17:29 小肥羊的博客 阅读( ...) 评论( ...) 编辑 收藏