-
Notifications
You must be signed in to change notification settings - Fork 0
/
JusticIA_ExtraccionDatos.py
60 lines (58 loc) · 2.49 KB
/
JusticIA_ExtraccionDatos.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
# Se importan las librerias del sistema, open cv, tesseract y csv
import cv2
import os
import pytesseract
import csv
# se especifica la ruta de instalación de pytesseract
pytesseract.pytesseract.tesseract_cmd = r'D:/tesseract/tesseract'
# Se leen las imagnes desde el directorio que hayamos creado
directorioImagenes = "D:\jtoxqui\Escritorio\Fichas_manual"
# Listas para almacenar los datos de las fichas
datos = []
ficha = []
# Se hace una lista de las imagenes
nombresImgs = os.listdir(directorioImagenes)
# Se imprime la lsita de imagenes
# print(nombresImgs)
# Se colcoa el nombre los atributos que tendrá las columnas
ficha = ['Nombre del archivo', ' , Texto']
# Se agrega
datos.append(ficha)
# Se crea el bucle para leer cada imagen
for nombreImagen in nombresImgs:
# Se accede a la ruta / nombre de la imagen
img = directorioImagenes + "/" + nombreImagen
# Se lee la imagen
imagen = cv2.imread(img)
# Se escala
nuevaImg = cv2.resize(imagen, (1250, 750))
# Se hace a gris
nuevaImgGris = cv2.cvtColor(nuevaImg, cv2.COLOR_RGB2GRAY)
# Se añande un filtro binario
ret, imgBinaria = cv2.threshold(nuevaImgGris, 127, 255, cv2.THRESH_BINARY)
# Se estrae la información por cada ficha
text = img
text = pytesseract.image_to_string(imgBinaria, lang='spa')
# Al leer cada ficha, esta leer caracteres innecesarios que se omiten por lo cual se colocan los siguientes: ,:/=%$<>+
characters = ",:/=%$<>+"
# Se crear otro bucle para remmplazar esos caracteres por un espacio en blanco.
for x in range(len(characters)):
text = text.replace(characters[x], " ")
# Una vez limpiado, la variable text amamacena primero el nombrel del archivo que se está leyendo para despues concatenar
# su información extraida
text = nombreImagen+' , '+text
# La lista ficha guardará lo que extrajo de la variable text y a esa variable se aplica el método split()
# para separar el texto en palabras.
ficha = text.split()
# La lista datos, guarda la lista ficha.
datos.append(ficha)
# Se indica que se almacenó la información
print("Información almacenada")
# Se imprime dicha infomación
print(ficha)
# Se crea el archivo csv con el nombre datos
with open('Reto2A.csv', 'w', newline='') as file:
# Se determina que por cada lectura de palabra se agregue un ; para delimitar
writer = csv.writer(file, quoting=csv.QUOTE_ALL, delimiter=';')
# Finalmente se alamcena la información de todas las fichas.
writer.writerows(datos)