Tengo un proyecto entre manos que consiste en lo siguiente: Uso 'pytesseract' para sacar los datos de un ticket, esto me genera un string con todo el texto del ticket pero me interesa, para un futuro uso, eliminar ciertos caracteres de ese string generado.
La primera parte del proyecto funciona como debería:
from PIL import Image
import pytesseract
print ("Lector de Tickets")
img = Image.open("foto.jpg")
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
result = pytesseract.image_to_string(img)
print(result)
'foto.jpg' seria una foto del ticket que se encuentra en la misma carpeta que el proyecto, y el resultado es una string con todos los datos.
Ahora, intento eliminar caracteres especiales (*,-,@,:,etc.) y, además, sustituir las comas por puntos. Esto último es lo más importante ya que el ticket esta compuesto por:
Nombre_del_producto Cantidad Precio Código
Como las strings en Python son inmutables, entiendo que debo crear una nueva string y mediante 'replace' sustituir cada uno de los caracteres y este será el string que guarde luego en un .txt. Sin embargo tengo problemas en esta parte. He intentado varias cosas:
for linea in final:
#Copiar el texto a la nueva string
#AQUÍ ES DONDE TENGO DUDAS
#Eliminar caracteres especiales
final = linea.replace("-", "")
final = linea.replace("*", "")
final = linea.replace(":", "")
final = linea.replace("/", "")
final = linea.replace("%", "")
final = linea.replace("$", "")
final = linea.replace("&", "")
final = linea.replace("(", "")
#Esto sigue con más caracteres...
#Ahora cambiar comas por puntos
final = linea.replace(",",".")
¿Sabeis aportar una solución a esto? Un saludo,
PD: Adjunto una foto del resultado del programa tras recibir el ticket.
--
Actualización:
El proyecto queda así tras la respuesta de Marcos:
from PIL import Image
import pytesseract
import re
print ("Lector de Tickets")
img = Image.open("foto.jpg")
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
result = pytesseract.image_to_string(img)
print(result)
final = re.sub('[^\d.a-zA-Z ]','',re.sub(",", ".", result))
print(final)
Mi duda original queda disipada pero me surgue una nueva pregunta. El resultado ahora queda, parcialmente, como interesa:
CERVEZA FRANZISKANER 1x 5.95 5.95 CLIMPIADOR VINAGRE 1L 1x 0.75 . 0.75 CMONSTER BEBIDA ENERG 1x 1.00 1.00 BACEITUNA RANCH 150G 1x 0.55 0.55 BARROZ REDUNDO EXTRA 1x 0.72 0.72 etc.......
Ya nos hemos quitado de enmedio los símbolos y hemos sustituido las comas por puntos. Ahora la idea es, pasar todo eso a un fichero .txt pero debe ser 'línea a línea'. Es decir que el fichero final debería ser algo así:
- CERVEZA FRANZISKANER 1x 5.95 5.95
- CLIMPIADOR VINAGRE 1L 1x 0.75 . 0.75
- CMONSTER BEBIDA ENERG 1x 1.00 1.00
- etc....
La finalidad de esta organización es poder sumar luego cantidades entre otras operaciones. Se me ocurre un bucle for línea a línea pero para ello debería usar 'split' para separar las líneas por espacios; esto plantea un problema ya que el formato es:
CERVEZA FRANZISKANER 1x 5.95 5.95
¿Alguna solución?