如何从 python 中的 OCR 生成的文本文件中检测和提取日期数据格式

Question

我正在使用 python 从图像中创建日期提取器。

阅读图像并将其转换为.txt文件后，我有一个文本文件列表，其中包含不同格式的日期。

喜欢

2019 年 4 月 20 日

20-04-2019

20-4-19

2019 年 4 月 20 日

19 年 4 月 20 日

2019年4月20日

等等

我想从上述文本中识别和提取日期数据。 知道怎么做吗？

Answer 1

您可以使用dateparser模块

import dateparser
print(dateparser.parse('20Apr-2019'))

给出：

2019-04-20 00:00:00

dateparser.parse返回日期时间 object。

如果您的文本文件包含其他字符串，并且任务是识别日期并提取它们，您可以使用dateparser.search 。

from dateparser.search import search_dates
str1 = "Whurat UDAYA FILLING STATION MATTUPATTY ROAD MUNNAR 04865230318 ORIGINAL De DD De Da ED eH DAC Da a Da Oa DC Oa DO Dt Oe 29-MAY -2019 14:02:23 INVOICE NO: 292 i VEHICLE NO: NOT ENTERED (| NOZZLE NO : 1 f PRODUCT: PETROL RATE : 75.01 INR/Ltr VOLUME: 1.33 Ltr AMOUNT: 100.00 INR ek DA DH DE DC DE DRC DC DDC cok DE DC CDC DC DE DE S.T..No : 27430268741C M.S.T. No: 27430268741V pe TE ETA CT a DD OC DRE I BOC IE DOC Thank You! Visit Again"
print(search_dates(str1))

这使：

[('04865230318', datetime.datetime(1985, 6, 2, 2, 17, 11)), ('29-MAY -2019 14:02:23', datetime.datetime(2019, 5, 29, 14, 2, 23)), ('292', datetime.datetime(1900, 1, 1, 2, 9, 2)), ('100', datetime.datetime(1900, 1, 1, 1, 0)), ('ek', datetime.datetime(1900, 10, 1, 0, 0)), ('TE', datetime.datetime(1900, 7, 1, 0, 0)), ('OC', datetime.datetime(1900, 1, 1, 0, 0))]

正如您所看到的，这可能需要一些进一步的过滤来消除误报，但它应该可以捕捉到您扔给它的大部分日期。