如何解析使用 Tesseract 将图像转换为文本得到的字符串？

Question

我正在开发一个简单的 JavaScript 代码来从

text

中提取

image

。为此，我正在使用像

Tesseract.

这样的图像处理库

但我发现，

Tesseract

并不是100%准确。 （或者可能是我不知道如何正确使用它） 例如，将图像文本转换为字符串数组并一一扫描每个字符串后，我得到以下不相同的字符串。

年龄 + 67 性别：女性 年龄：45 性别：女性 年龄 + 45 性别： 男

年龄：44 性别：男 36 岁 性别：女 年龄：56 性别：男

年龄+63 性别：男 年龄：62 性别：女 年龄：37 性别：男

我在

+

和

space

的基础上分割了字符串，像这样

const AgeAndGenderArray = line.split(" ") || line.split("+");

我得到了以下输出。

['年龄',

'+', '67'

, '性别', ':', '女', '年龄', ':', '45', '性别', ':', '女', '年龄',

'+'

, '45', '性别', ':', '男']

['年龄', ':', '44', '性别', ':', '男', '年龄', '36', '性别', ':', '女', '年龄', ':', '56', '性别',

':'

, '男']

['年龄',

'+63'

, '性别', ':', '男', '年龄', ':', '62', '性别', ':', '女', '年龄', ':', '37', '性别', ':', '男']

如果您观察，所有输入字符串并不完全相同。有些正在吃

Age + 67

，有些人正在经历

Age +63

。某处有

+

，某处有

:

。所以我无法从中提取文本。

我期待这样的输出：

63     Male          
62     Female        
37     Male 
       

那么如何解析如此多样化的字符串？

我的代码：

const processImage = () => {
    Tesseract.recognize(file, "eng", { logger: (m) => console.log(m) }).then(
      ({ data: { text } }) => {
        console.log(text);
        const parsedCandidates = parseOCRResult(text);
        setCandidates(parsedCandidates);
      }
    );
    console.log(file);
  };     
       
const parseOCRResult = (text) => {    
      
// parsing logic of strings      
}

Answer 1

使用正则表达式

Age[^\d]+

进行拆分。它将搜索“年龄”后跟任何字符，但在找到数字时停止

let input = `Age + 67 Gender : Female Age : 45 Gender : Female Age + 45 Gender : Male
Age : 44 Gender : Male Age 36 Gender : Female Age : 56 Gender : Male
Age +63 Gender : Male Age : 62 Gender : Female Age : 37 Gender : Male`

let results = input.split(/Age[^\d]+/)
// clean the results
results = results.map(item => item.replace(' Gender :', '').trim()).filter(i => i.length)
console.log(results)