使用OpenCV和Python识别文本后匹配pandas DataFrame失败如何解决

匹配失败核心原因是Tesseract OCR返回的识别结果默认携带尾部换行符和前后空白字符，直接用于匹配时无法命中DataFrame中干净的目标字符串。
你可以通过打印字符串原始表示的方式验证：在识别文本后添加代码print(repr(txt))，会得到输出'CMA CGM\n'，尾部的\n换行符是匹配失败的直接原因。

对OCR识别结果做前后空白字符清洗即可，修改识别文本的代码行：

# 原代码
txt = pytesseract.image_to_string(thr)
# 修改为：strip()会去掉字符串前后所有空格、换行、制表符等空白字符
txt = pytesseract.image_to_string(thr).strip()

如果识别结果可能包含特殊符号，可额外增加正则清洗进一步过滤无效字符：

import re
txt = pytesseract.image_to_string(thr)
# 先移除非字母、数字、空格的特殊字符，再清洗前后空白
txt = re.sub(r'[^\w\s]', '', txt).strip()

修改后运行即可得到预期匹配结果：

ID      Col
0   1  CMA CGM

• 如果你的DataFrame指定列存在空值，匹配时可以添加na=False参数避免抛出空值异常：

Res = df.loc[df['Col'].str.contains(txt, case=False, na=False)]

内容的提问来源于stack exchange，提问作者KDEss