Intento encontrar la forma de, partiendo del texto de un ticket (generado por un OCR), separar el contenido del mismo para operar más tarde. El problema es, que el formato de los tickets no son constantes.
Hasta ahora, y con ayuda de un post previo (gracias a Marco), llevo construido el siguiente código:
#Proyecto lector de Tickets
from PIL import Image
import pytesseract
import re
import os
print ("Lector de Tickets")
#Lee la imagen.
img = Image.open("foto.jpg")
#Transforma la imgen en texto.
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
result = pytesseract.image_to_string(img)
#Muestra el texto resultante.
print(result)
#Elimina los caracteres especiales del texto y convierte las comas en puntos. Devuelve un string con los datos.
final = re.sub('[^\d.a-zA-Z ]','',re.sub(",", ".", result))
#Muestra los datos.
print(final)
#Creamos un patron del tipo:
#(digito)(espacio)(letra)
patron = '(\d)(\s)([a-zA-Z])'
#Comento esta línea porque forma parte de la duda.
#patron = '(\d)([a-zA-Z])(\s)(\d)(\s)(\d)(\s)([a-zA-Z])'
#Aplicamos el patron a los datos y los almacenamos en cadenas.
cadenas = re.sub(patron, r'\1\n\3', final)
#Pasamos los datos a un .txt
archivo_out = os.path.join(os.getcwd(), 'outfile.txt')
with open(archivo_out, 'w') as outfile:
outfile.write(cadenas)
Aprovecho para aclarar que trabajo en Python 3.7.2. Adjunto ahora la foto del ticket original (el que recibe el programa) a continuación:
En este momento (edito la pregunta tras el comentario de abulafia para que sea más fácil de solucionar), el contenido de 'result' es el siguiente:
CERVEZA FRANZISKANER 1x 5.95 5,95 C
LIMPIADOR VINAGRE 1L 1x 0.75 , 0.75 C
MONSTER BEBIDA ENERG 1x 1,00 1,00 B
ACEITUNA R/ANCH 150G 1x 0,55 0,55 B
ARROZ REDUNDO EXTRA 1x 0,72 0,72 A
MAS REGANAS AC.0L 1x 0,66 0,66 B
PALOMITAS SAL MICRO 1x 0.79 0,79 B
BARRAS PRE00 UFERTA 1x 1,00 1,00 A
MAGGI PASTA URIENTAL 1x 1.50 1,50 B
BULSA BASURA IFA 1x 1.30 1,30 C
SALAMI REVILLAS 85 0 1x 0,95 0,95 B
SALCHICHON 85 GR 1x 0,95 0,95 B
FILETE PECHUGA PAVO 1x 4,42 4,42 B
ESTROPAJO INUXIDABLE 1): 0.45 0,45 0
CDRAZON RUMANA BJA 1x 1-49 1.49 A
ENSALADA 4 ESTACIUNE 1X 0-59 0,59 A
PIZZA JAMDN Y [JUESO ‘ 1x 1,75 1,75 B
ENSALADA 4 ESTACIONE 1x 0.59 0,59 A
TOTAL CDPRA . . . . . . . . . . . . . . 25.41
Y la variable 'final' tiene por valor:
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 AMAS REGANAS AC.0L 1x 0.66 0.66 BPALOMITAS SAL MICRO 1x 0.79 0.79 BBARRAS PRE00 UFERTA 1x 1.00 1.00 AMAGGI PASTA URIENTAL 1x 1.50 1.50 BBULSA BASURA IFA 1x 1.30 1.30 CSALAMI REVILLAS 85 0 1x 0.95 0.95 BSALCHICHON 85 GR 1x 0.95 0.95 BFILETE PECHUGA PAVO 1x 4.42 4.42 BESTROPAJO INUXIDABLE 1 0.45 0.45 0CDRAZON RUMANA BJA 1x 149 1.49 AENSALADA 4 ESTACIUNE 1X 059 0.59 APIZZA JAMDN Y JUESO 1x 1.75 1.75 BENSALADA 4 ESTACIONE 1x 0.59 0.59 ATOTAL CDPRA . . . . . . . . . . . . . . 25.41
Sin embargo, hasta ahora el resultado queda casí como nos gustaría pero tiene algunos fallos, causa del formato del ticket. Nos interesa un formato para el resultado tal que así:
CERVEZA FRANZISKANER 1x 5.95 5.95 C
Pero algunas líneas quedan descuadradas debido a las irregularidades del formato del ticket original y el fichero .txt final queda así:
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
AMAS REGANAS AC.0L 1x 0.66 0.66
BPALOMITAS SAL MICRO 1x 0.79 0.79
BBARRAS PRE00
UFERTA 1x 1.00 1.00
AMAGGI PASTA URIENTAL 1x 1.50 1.50
BBULSA BASURA IFA 1x 1.30 1.30
CSALAMI REVILLAS 85 0 1x 0.95 0.95
BSALCHICHON 85
GR 1x 0.95 0.95
BFILETE PECHUGA PAVO 1x 4.42 4.42
BESTROPAJO INUXIDABLE 1 0.45 0.45 0CDRAZON RUMANA BJA 1x 149 1.49
AENSALADA 4
ESTACIUNE 1X 059 0.59
APIZZA JAMDN Y JUESO 1x 1.75 1.75
BENSALADA 4
ESTACIONE 1x 0.59 0.59
ATOTAL CDPRA . . . . . . . . . . . . . . 25.41
Como se puede apreciar, el último caracter presente en el ticket no debería estar al principio de la siguiente línea. Nos interesa un formato (como se ha mencionado antes) en el que quede:
Nombre_del_producto Cantidad_x Precio_Unidad Precio_Final Código
De esta forma pretendo poder operar luego: sumar precios, dividir por cantidades, separar productos por comprador, etc... ¿Algún acercamiento a como podría formatear las cadenas con exactitud? Un saludo.
result
. ¿Podrías volcar a disco ese texto y adjuntarlo a la pregunta (no como imagen, sino como "código")? Eso nos permitiría comprender su estructura y hacer experimentos con expresiones regulares u otras formas de procesarlo.result
no tienes precisamente lo que quieres conseguir?