使用 dateparser 库从 OCRed 文件中解析日期答案

【问题标题】：Parsing dates from OCRed files using dateparser library使用 dateparser 库从 OCRed 文件中解析日期
【发布时间】：2021-10-24 13:00:18
【问题描述】：

我想使用 dateparser 库从 OCR 图像中提取日期。

import dateparser
data = []
listOfPages = glob.glob(r"C:/Users/name/folder/test/*.tif")
for entry in listOfPages:
    text1 = pytesseract.image_to_string(
            Image.open(entry), lang="deu"
        )
    text = re.sub(r'\n',' ', text1)     
    date1 = re.compile(r'(Dresden(\.|,|\s+)?)(.*)', flags = re.DOTALL | re.MULTILINE)
    date = date1.search(text)
    if date:
        dates = dateparser.parse(date.group(3), date_formats=['%d %m %Y'], languages=['de'], settings={'STRICT_PARSING': True})
        
    else:
        dates = None
        if dates == None:
            dates = dateparser.parse(date.group(3), date_formats=['%d %B %Y'], locale = 'de', settings={'STRICT_PARSING': True})
        else:
            dates = None

    data.append([text, dates])
    
df0 = pd.DataFrame(data, columns =['raw_text', 'dates'])
print(df0)

为什么会出现错误：NameError: name 'dates' is not defined

更新：TypeError: Input type must be str

【问题讨论】：

将错误的完整回溯显示为问题中格式正确的文本。
您正在使用except: pass 抑制错误。分配给dates 之前的某行抛出异常，因此分配永远不会发生，因此名称永远不会被定义。这就是为什么你不应该压制错误。将pass 更改为raise 或print() 调用或两者兼而有之以查找错误。
感谢 BoarGules 的提醒。现在错误是TypeError: Input type must be str，它指向date 变量。我认为date1.search(text) 的结果将是一个字符串还是正则表达式跨度对象的东西？
首先(City(\.|,|\s+)?)(.*)不匹配，见this regex demo。 date 是匹配数据对象，而不是字符串，但您将其作为第一个参数传递给 dateparser.parse，您需要使用 dateparser.parse(date.group(3)，因为您希望将值捕获到 (.*) 中。此外，dateparser.parse(text, date_formats=['%d %m %Y'], languages=['de'], settings={'STRICT_PARSING': True}) 没有找到任何东西。实际的文字是什么？另外，请注意，您根本不需要在这里尝试 excet。
谢谢，维克托！如果我不try:except 我得到错误：AttributeError: 'NoneType' object has no attribute 'group'。如果我保留它，它不会再给我任何错误，但也会将所有dates 值返回为None。 .group(3) 是正确的，根据regex101.com/r/ah5b03/1

标签： python date-parsing dateparser

【解决方案1】：

问题是您的date 是一个匹配数据对象。另外，我不确定dateparser.parse 是否满足您的需求。我建议 datefinder package 从文本中提取日期。

这是我要使用的正则表达式：

\bDresden(?:[.,]|\s+)?(.*)

请参阅regex demo。它将Dresden 匹配为一个完整的单词（\b 是一个单词边界），(?:[.,]|\s+)? 是一个非捕获可选组匹配,、. 或一个或多个空格，然后捕获到 Group 1 any零个或多个字符（re.DOTALL 也允许 . 匹配行分隔符）。

这是似乎产生预期匹配的 Python sn-p：

import pytesseract, dateparser, glob, re
import pandas as pd
import datefinder
from pytesseract.pytesseract import Image

imgpath = r'1.tif'
data = []
listOfPages = glob.glob(r"C:/Users/name/folder/test/*.tif")
listOfPages = [imgpath]
for entry in listOfPages:
    text = pytesseract.image_to_string(
            Image.open(entry), lang="deu"
        )

    dates = []
    date = re.search(r'\bDresden(?:[.,]|\s+)?(.*)', text, re.DOTALL)
    if date:
        dates = [t.strftime("%d %B %Y") for t in datefinder.find_dates(date.group(1))]
        #dates = dateparser.parse(date.group(1), date_formats=['%d %m %Y'], languages=['de'], settings={'STRICT_PARSING': True})

    data.append([text, dates])
    
df0 = pd.DataFrame(data, columns =['raw_text', 'dates'])
print(df0)

有了你的示例图片，我得到了

                                            raw_text                               dates
0  Sächsischer Landtag DRUCKSACHE , 1972\n2. Wahl...  [17 October 1995, 18 October 1995]

【讨论】：