如何将pytesseract提取的文本转换为指定列的DataFrame？

步骤1：清理无效数据 #

先过滤列表里的空字符串、换页符（\x0c）这类无效内容，只保留有效文本：

# 过滤空字符串和换页符
cleaned_list = [item for item in list_word if item.strip() != '' and item != '\x0c']

执行后cleaned_list会变成：

['Moustafa', 'Engineer', 'Upwork Company', 'Ahmed', 'Teacher', 'School']

步骤2：按固定长度分组 #

观察数据结构，每3个元素对应一组name/job/company，按步长3拆分列表：

# 每3个元素为一组
grouped_data = [cleaned_list[i:i+3] for i in range(0, len(cleaned_list), 3)]

分组后的结果：

[['Moustafa', 'Engineer', 'Upwork Company'], ['Ahmed', 'Teacher', 'School']]

步骤3：转换为DataFrame #

用pandas将分组后的列表转换成指定列名的DataFrame：

import pandas as pd

df = pd.DataFrame(grouped_data, columns=['name', 'job', 'company'])

最终得到的DataFrame结构：

完整代码 #

把所有步骤整合：

import pytesseract
import pandas as pd

# 假设image是已加载的图片对象
extractedInformation = pytesseract.image_to_string(image, lang='eng')
list_word = extractedInformation.split('\n')

# 清理数据
cleaned_list = [item for item in list_word if item.strip() != '' and item != '\x0c']
# 分组
grouped_data = [cleaned_list[i:i+3] for i in range(0, len(cleaned_list), 3)]
# 转DataFrame
df = pd.DataFrame(grouped_data, columns=['name', 'job', 'company'])

print(df)

内容的提问来源于stack exchange，提问作者Moustafa Abada