使用 dateparser 库从 OCRed 文件中解析日期

Question

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)

为什么我收到错误：NameError: name 'dates' is not defined

更新：TypeError: Input type must be str

Answer 1

问题是您的 date 是匹配数据对象。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+)?(.*)

见regex demo。它匹配 Dresden 作为一个完整的单词（\b 是一个单词边界）， (?:[.,]|\s+)? 是一个非捕获的可选组匹配 ,, . 或者一个或更多的空格，然后将任何零个或多个字符捕获到第 1 组中（re.DOTALL 也允许 . 匹配行分隔符）。

这是似乎产生预期匹配的 Python 片段：

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]

使用 dateparser 库从 OCRed 文件中解析日期

Parsing dates from OCRed files using dateparser library

python

date-parsing

dateparser