通过OCR提取图片数据并设置列名时遇R语言报错求助

问题背景 #

我使用以下R代码提取图片中的数据，在尝试设置列名时触发错误：

library(magick)
library(tesseract)
team_img <- image_read("C:\\Users\\macosta\\Downloads\\Capture1.PNG") %>% 
  image_resize('2000x') %>%
  image_convert(type = 'Grayscale') %>%
  image_trim(fuzz = 40) %>%
  image_write(format = 'png', density = '300x300') %>%
  tesseract::ocr() %>%
  strsplit('\n') %>%
  getElement(1) %>%
  `[`(-1) %>%
  {read.table(text = .)} %>% # 此处报错
  setNames(c('Number', 'Weight', 'Specie', 'long', 'lat', 'altitude', 'Date', 'Others'))

错误信息 #

Error in scan(file = file, what = what, sep = sep, quote = quote, dec = dec, :
line 2 did not have 9 elements

OCR提取的文本数据 #

<- team_img
# [1] ""                                                     
# [2] "3057 4.2 vulgaris 90234\" W 14237N 1550 m 20/1/95"   
# [3] "3058 10.4 lunatus 90234°W 14237N 1550 m 20/1/95"     
# [4] "3059 12.0  lunatus 90246’W 14238’N 1700 m 20/1/95"   
# [5] "3060 4.7 ~~ vulgaris 90247'W 14242’°N 1330 m 20/1/95"
# [6] "3061 4.7 vulgaris 90247 W 14243’N 1350 m 20/1/95"    
# [7] "3062 10.8 coccineus 90951,W 14933N 2080m 20/1/95"    
# [8] "3063 6.8 __lunatus 90248°W —-14221’N 520 m 21/1/95"  
# [9] "3064 5.8 lunatus 91211\"W 14°24°N 230 m 21/1/95"     
# [10] "3065 7.0  lunatus 91208’W 14231’N 750 m 21/1/95"     
# [11] "3066 4.2 vulgaris 91207 W 14236°N 1330 m 21/1/95"    
# [12] "3067 23.3 polyanth. 91207°W 14238’N 1630 m 21/1/95"  
# [13] "3068 10.4 coccineus 91222’W 15221’N 2070 m 22/1/95"  
# [14] "3069 8.0 coccineus 91222’W 15221’N 2070 m 22/1/95"   
# [15] "3070. --- leptosta. 91221’W 15221’N 1910 m 22/1/95"  
# [16] "3071 7.8  lunatus 91254°W 15241’N 590 m 23/1/95"     
# [17] "3072 5.0 Cnido.sp. 91254°W 15241’N 600 m 23/1/95"    
# [18] "3073 0.6 _leptosta. 91248°W 15241’N 1000 m 23/1/95"  
# [19] "3074 3.9 vulgaris 91247'W 15240°N 1180 m 23/1/95"    
# [20] "3075 4.0 vulgaris 91942\"W 15939°N 1540 m 23/1/95"   
# [21] "3076 6.4 coccineus 91231’W 14249’°N 2370 m 24/1/95"  
# [22] "3077 9.5  coccineus 91229°W 14248°N 2070 m 24/1/95"  
# [23] "3078 64 coccineus 91229°W 14247N 2050 m 24/1/95"     
# [24] "3079 11.8 vulgaris 91229’W 14247'N 2050 m 24/1/95"   
# [25] "3080 10.5  lunatus 91230°W 14246’N 1750 m 24/1/95"   
# [26] "3081 6.9 vulgaris 91231’°W 14245’N 1730 m 24/1/95" 

数据图片 #

目标 #

将提取的数据整理为标准DataFrame

解决方案 #

问题根源 #

报错核心是OCR提取的文本格式不一致：

• 部分行的经纬度被拆分为多段（如第2行90234" W是两个元素，正常行是90234°W单个元素）
• 存在冗余符号（~~、__、---）
• 部分数值格式错误（如第15行3070. ---、第23行64缺少小数点）

修正代码 #

library(magick)
library(tesseract)
library(stringr)
library(purrr)

# 图片处理与OCR提取
team_img <- image_read("C:\\Users\\macosta\\Downloads\\Capture1.PNG") %>% 
  image_resize('2000x') %>%
  image_convert(type = 'Grayscale') %>%
  image_trim(fuzz = 40) %>%
  image_write(format = 'png', density = '300x300') %>%
  tesseract::ocr() %>%
  strsplit('\n') %>%
  getElement(1) %>%
  `[`(-1) %>% # 移除空行
  # 统一文本格式
  str_replace_all("~~|__|---", "") %>% # 删除冗余符号
  str_replace_all("(\\d+)[\\s°’'\"](W|N)", "\\1\\2") %>% # 合并经纬度数字与方向
  str_replace_all("(\\d+)\\s*(m)", "\\1\\2") %>% # 合并海拔数字与单位
  str_replace_all("(\\d+)\\.(\\d+)\\.(\\d+)", "\\1.\\2") %>% # 修正编号多余小数点
  str_replace_all("(\\d+)(?=[A-Za-z.])", "\\1 ") %>% # 给无空格的数字补空格
  keep(~str_squish(.) != "") # 过滤清理后仍为空的行

# 正则匹配拆分列并转换为DataFrame
df <- str_match_all(team_img, "^(\\d+)\\s+(\\d*\\.?\\d*)\\s+([A-Za-z.]+)\\s+([\\d°’'\"W]+)\\s+([\\d°’'\"N]+)\\s+(\\d+m)\\s+(\\d+/\\d+/\\d+)\\s*(.*)$") %>%
  map_df(function(x) {
    data.frame(
      Number = x[,2],
      Weight = as.numeric(x[,3]),
      Specie = x[,4],
      long = x[,5],
      lat = x[,6],
      altitude = x[,7],
      Date = x[,8],
      Others = x[,9],
      stringsAsFactors = FALSE
    )
  })

# 查看结果
head(df)

代码说明 #

• str_replace_all系列函数：统一OCR文本格式，解决拆分时的列数不一致问题
• str_match_all：用正则表达式精确匹配8列结构，确保每行都能正确拆分
• map_df：将拆分后的列表直接转换为DataFrame

内容的提问来源于stack exchange，提问作者Miguel Angel Acosta Chinchilla