如何在Python中存储Tesseract识别结果里指定字符的首尾坐标？

需求 #

从Tesseract识别出的字符坐标数据中，提取CNIC里**第一个'C'和最后一个'C'**的坐标信息。

原始数据 #

myboxes = 'C 0 0 19 42 0\nN 23 8 40 26 0\nI 43 9 46 25 0\nC 49 9 68 27 0\n/ 71 8 81 28 0\nN 84 11 100 30 0\nT 103 13 113 31 0\nN 116 13 132 32 0\n/ 136 12 146 33 0\nP 149 15 161 33 0\na 164 16 181 30 0\ns 183 16 192 31 0\ns 194 16 202 31 0\np 205 7 222 32 0\no 224 18 240 32 0\nr 242 18 249 33 0\nt 251 19 256 38 0\n'

之前的代码及输出 #

你用来处理数据的代码：

r[3] = 'CNIC/'
temp = []
for i, b in enumerate(myboxes.splitlines()):
    temp.append(b.split(' '))
    print(b.split(' '))
    print(r[3]+"_"+str(b[0])+'-'+str(i))
    if temp[i][0] == '/':
        break

代码输出：

['C', '0', '0', '19', '42', '0']
CNIC_C-0
['N', '23', '8', '40', '26', '0']
CNIC_N-1
['I', '43', '9', '46', '25', '0']
CNIC_I-2
['C', '49', '9', '68', '27', '0']
CNIC_C-3
['/', '71', '8', '81', '28', '0']
CNIC_/-4

你之前遍历temp提取坐标时只拿到最后一个字符的信息，是因为每次循环都覆盖了char, x, y, width, height变量，没有专门保存目标C的坐标。

解决代码 #

直接筛选出所有字符为C的条目，再取首尾即可：

# 补全r的定义避免报错，处理数据生成temp列表
r = ['', '', '', 'CNIC/']
temp = []
for i, b in enumerate(myboxes.splitlines()):
    temp.append(b.split(' '))
    if temp[i][0] == '/':
        break

# 收集所有字符为'C'的条目
c_chars = [item for item in temp if item[0] == 'C']

# 提取第一个和最后一个C的坐标
first_c = c_chars[0]
last_c = c_chars[-1]

# 打印结果
print("第一个C的坐标：")
print(f"字符: {first_c[0]}, x: {first_c[1]}, y: {first_c[2]}, width: {first_c[3]}, height: {first_c[4]}")
print("最后一个C的坐标：")
print(f"字符: {last_c[0]}, x: {last_c[1]}, y: {last_c[2]}, width: {last_c[3]}, height: {last_c[4]}")

输出结果 #

第一个C的坐标：
字符: C, x: 0, y: 0, width: 19, height: 42
最后一个C的坐标：
字符: C, x: 49, y: 9, width: 68, height: 27

内容的提问来源于stack exchange，提问作者Jawad Mansoor