如何解析Tesseract图像转文本得到的格式多样的字符串？

针对Tesseract识别出的格式混乱的年龄性别文本，正则表达式是最适合的解决方案，能精准匹配不同格式的Age和Gender配对。

实现思路 #

• 先将OCR返回的整段文本按行拆分，逐行处理内容
• 用正则匹配每行中所有的「年龄-性别」组，兼容Age + X、Age : X、Age X等多种格式
• 提取匹配到的年龄数字和性别，整理成结构化数据

修改后的解析代码 #

const parseOCRResult = (text) => {
  // 正则匹配所有格式的年龄-性别对，兼容识别时的符号、空格误差
  const ageGenderRegex = /Age\s*[+: ]?\s*(\d+)\s*Gender\s*:\s*(\w+)/g;
  const parsedData = [];
  const lines = text.split('\n'); // 按行拆分原始文本

  lines.forEach(line => {
    let match;
    // 循环捕获当前行内所有符合规则的年龄-性别组
    while ((match = ageGenderRegex.exec(line)) !== null) {
      const age = match[1];
      const gender = match[2];
      parsedData.push({ age, gender });
    }
  });

  // 若需要输出你指定的格式化样式，可添加这段逻辑
  const formattedOutput = parsedData.map(item => `${item.age}\t${item.gender}`).join('\n');
  console.log(formattedOutput);
  
  return parsedData; // 返回结构化数据给setCandidates
};

正则表达式说明 #

Age\s*[+: ]?\s*(\d+)\s*Gender\s*:\s*(\w+)

• Age：匹配固定开头文本
• \s*：匹配0个或多个空格，兼容识别时的空格误差
• [+: ]?：可选匹配+、:或空格，覆盖所有Age后的符号情况
• (\d+)：捕获年龄数字，作为第一个匹配分组
• \s*Gender\s*:\s*：匹配Gender :部分，兼容前后多余空格
• (\w+)：捕获性别（Male/Female），作为第二个匹配分组

额外优化建议 #

如果Tesseract识别误差较大，可在识别前对图像做预处理：

• 调整图像对比度、亮度，强化文字辨识度
• 裁剪图像到文字区域，减少无关内容干扰
• 修改Tesseract的psm参数，比如设置psm: 6（假设文本为单块连续内容）

内容的提问来源于stack exchange，提问作者tushar