tesseract Image.open 用于多页文件

Question

此代码访问包含单页 .tif 文件的文件夹并提取文本数据。

data = []
data1 = []
listOfPages = glob.glob(r"C:/Users/name/folder/*.tif")
for entry in listOfPages:
    if os.path.isfile(entry):
        filenames = entry
    data1.append(filenames)
    text1 = pytesseract.image_to_string(
            Image.open(entry), lang="en"
        )
    text = re.sub(r'\n',' ', text1)     
    regex1 = re.compile(r'(www(i|ı)a\s+bbb(\:)?(\s+|\s+\.)?\s+(de(s|r(:)?))?)', flags = re.IGNORECASE)
        
    try:
        var1a = regex1.search(text)
        if var1a:
            var1 = var1a.group(1)
        else:
            var1 = None
    except:
        pass
        
    data.append([text, var1])
    
df0 = pd.DataFrame(data, columns =['raw_text', 'var1'])
df01= pd.DataFrame(data1,columns =['filename'])
df1 = pd.concat([df0, df01], axis=1)
df1 = df1.reset_index(drop = True)

如果我最终将 multipage.tif 文件添加到该文件夹​​中，我该如何使其工作？我无法将 Image.opn(entry) 部分转换成这样的：

img = Image.open(path)
images = []
for i in range(img.n_frames):
    img.seek(i)
    images.append(np.array(img))
return np.array(images)

Answer 1

1. 您可以将np.array 传递给image_to_string 方法。 Pytesseract 会自己处理（见https://github.com/madmaze/pytesseract/blob/master/pytesseract/pytesseract.py#L168）

    text1 = pytesseract.image_to_string(np.array(img), lang="en")

1. 或者在将图像传递给 pytesseract 之前从数组而不是文件中创建图像：

    text1 = pytesseract.image_to_string(Image.fromarray(np.array(img)), lang="en")

这是一个完整的例子（没有循环和进一步处理）：

import numpy as np
from PIL import Image
import pytesseract
tif = Image.open('multipage_tif_example.tif')
tif.seek(0)
img_page1 = np.array(tif)

# Variant 1
text1 = pytesseract.image_to_string(img_page1, lang="eng")

# Variant 2
text1 = pytesseract.image_to_string(Image.fromarray(img_page1), lang="eng")

我使用的版本是：

• Python 3.9.7
• pytesseract==0.3.8
• numpy==1.21.3
• 枕头==8.4.0

tiff 来自http://www.nightprogrammer.org/development/multipage-tiff-example-download-test-image-file/