如何将按行分组的文本文件高效转换为结构化 CSV 文件

陌枫君_9331

陌枫君_9331

2026-01-28

559人浏览

原创

如何将按行分组的文本文件高效转换为结构化 CSV 文件

本文介绍如何将每三行一组的纯文本文件(如 ocr 输出)直接转换为标准 csv 格式,避免手动编辑;提供完整可运行代码,支持从 ocr 文本实时生成 csv,同时处理多余逗号、换行与分组逻辑。

在 OCR 后处理流程中,常遇到结构松散的文本输出:例如地址信息被拆分为“姓名”“地址”“城市州邮编”各占一行,且末尾带冗余逗号。若每次生成 address.txt 后还需额外脚本整理为 CSV,不仅低效,还易引入错误。理想方案是在 tess_address() 函数中直接完成分组与 CSV 写入,跳过中间文本文件。

以下为优化后的完整实现,分为两部分:(1)直接处理 OCR 文本生成 CSV;(2)兼容已有文本文件的离线转换。

✅ 方案一:OCR 流程中直出 CSV(推荐)

修改原 tess_address() 函数,在内存中完成清洗、分组与写入,不落地中间 .txt 文件:

Windows 服务器运维工具箱
Windows 服务器运维工具箱

Windows 服务器运维工具箱 - 磁盘分析、临时文件清理、IIS 站点管理、批量文件操作、服务状态监控、Windows Update 诊断、实时性能监控、安全审计、注册表启动项审计、磁盘健康检测、网络端口监控、事件日志诊断、已安装程序管理、用户会话监控、计划任务审计、文件共享审计、DNS网卡诊断、SSL证书过期检测、防火墙规则审计、服务崩溃恢复状态、系统文件修复、存储池管理、备份状态检查、Docker容器管理、K8s集群监控。只读分析+安全确认,绝不误删文件,完全免费离线运行。

下载
import os
import csv
import re
import pytesseract

def tess_address():
    files = sorted(os.listdir("address"))
    rows = []  # 存储所有三元组行

    for image in files:
        output_path = os.path.join("address", image)
        text = pytesseract.image_to_string(output_path)

        # 清洗:移除所有逗号(防干扰),并按行分割 + 去首尾空格
        lines = [re.sub(r",", "", line).strip() for line in text.splitlines() if line.strip()]

        # 验证行数是否为3的倍数(确保结构完整)
        if len(lines) % 3 != 0:
            print(f"警告: 图像 {image} 产生 {len(lines)} 行,非3的倍数,将截断至最近3的倍数")
            lines = lines[:len(lines) // 3 * 3]  # 安全截断

        # 每3行合并为1个CSV行
        for i in range(0, len(lines), 3):
            rows.append(lines[i:i+3])

    # 一次性写入CSV(使用newline=''避免Windows下空行)
    with open("address_output.csv", "w", newline="", encoding="utf-8") as f:
        writer = csv.writer(f)
        writer.writerows(rows)

    print(f"✅ 已生成 CSV 文件,共 {len(rows)} 行数据")
关键改进点: 使用 re.sub(r",", "", line) 精准清除每行内原有逗号,保留字段内自然逗号(如 "New York, NY" 不会被破坏); if line.strip() 过滤空行,提升鲁棒性; 主动截断非3倍数行,避免 assert 中断程序; encoding="utf-8" 显式声明编码,防止中文乱码。

✅ 方案二:离线转换现有文本文件

若需复用已有 address.txt,可用此独立函数转换:

import csv

def txt_to_csv(input_file="address.txt", output_file="address.csv"):
    with open(input_file, "r", encoding="utf-8") as f:
        lines = [line.strip().rstrip(",") for line in f if line.strip()]

    # 移除每行末尾逗号(保留行内逗号)
    lines = [line.rstrip(",") for line in lines]

    if len(lines) % 3 != 0:
        raise ValueError(f"输入行数 {len(lines)} 不是3的倍数,请检查文件格式")

    rows = [lines[i:i+3] for i in range(0, len(lines), 3)]

    with open(output_file, "w", newline="", encoding="utf-8") as f:
        csv.writer(f).writerows(rows)

    print(f"✅ 已将 {input_file} 转换为 {output_file}")

⚠️ 注意事项

  • CSV 字段含逗号/换行? 当前逻辑假设字段内无逗号或引号。若 OCR 输出可能含复杂内容(如 "Smith, John"),建议改用 csv.QUOTE_MINIMAL 并启用 quoting:
    writer = csv.writer(f, quoting=csv.QUOTE_MINIMAL)
  • 性能考量:对超大文件(>10MB),可改用生成器逐块读取,但 OCR 场景通常单文件较小,当前内存加载方案更简洁。
  • 路径安全:生产环境建议用 pathlib.Path 替代字符串拼接,增强跨平台兼容性。

通过以上重构,你彻底摆脱了“生成文本→手动编辑→转CSV”的繁琐链路,让 OCR 处理结果一步到位成为可直接导入 Excel 或 Pandas 的标准 CSV 数据。

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

excel windows 中文乱码 csv

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
Python 时间序列分析与预测
Python 时间序列分析与预测

本专题专注讲解 Python 在时间序列数据处理与预测建模中的实战技巧,涵盖时间索引处理、周期性与趋势分解、平稳性检测、ARIMA/SARIMA 模型构建、预测误差评估,以及基于实际业务场景的时间序列项目实操,帮助学习者掌握从数据预处理到模型预测的完整时序分析能力。

2025.12.04

380

15

Python 数据清洗与预处理实战
Python 数据清洗与预处理实战

本专题系统讲解 Python 在数据清洗与预处理中的核心技术,包括使用 Pandas 进行缺失值处理、异常值检测、数据格式化、特征工程与数据转换,结合 NumPy 高效处理大规模数据。通过实战案例,帮助学习者掌握 如何处理混乱、不完整数据,为后续数据分析与机器学习模型训练打下坚实基础。

2026.01.31

292

21

Python数据分析与Pandas高级实战
Python数据分析与Pandas高级实战

本专题围绕 Python 数据分析展开,系统讲解 Pandas 的高级用法,包括数据清洗、透视表、时间序列分析以及多表合并与分组操作。通过实战案例,帮助开发者掌握高效处理与分析数据的方法,提高数据处理效率与分析能力。

2026.04.13

1031

25

js 字符串转数组
js 字符串转数组

js字符串转数组的方法:1、使用“split()”方法;2、使用“Array.from()”方法;3、使用for循环遍历;4、使用“Array.split()”方法。本专题为大家提供js字符串转数组的相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.03

1978

5

js截取字符串的方法
js截取字符串的方法

js截取字符串的方法有substring()方法、substr()方法、slice()方法、split()方法和slice()方法。本专题为大家提供字符串相关的文章、下载、课程内容,供大家免费下载体验。

2023.09.04

3324

5

java基础知识汇总
java基础知识汇总

java基础知识有Java的历史和特点、Java的开发环境、Java的基本数据类型、变量和常量、运算符和表达式、控制语句、数组和字符串等等知识点。想要知道更多关于java基础知识的朋友,请阅读本专题下面的的有关文章,欢迎大家来php中文网学习。

2023.10.24

6464

49

字符串介绍
字符串介绍

字符串是一种数据类型,它可以是任何文本,包括字母、数字、符号等。字符串可以由不同的字符组成,例如空格、标点符号、数字等。在编程中,字符串通常用引号括起来,如单引号、双引号或反引号。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2023.11.24

6769

6

java读取文件转成字符串的方法
java读取文件转成字符串的方法

Java8引入了新的文件I/O API,使用java.nio.file.Files类读取文件内容更加方便。对于较旧版本的Java,可以使用java.io.FileReader和java.io.BufferedReader来读取文件。在这些方法中,你需要将文件路径替换为你的实际文件路径,并且可能需要处理可能的IOException异常。想了解更多java的相关内容,可以阅读本专题下面的文章。

2024.03.22

8274

16

php中定义字符串的方式
php中定义字符串的方式

php中定义字符串的方式:单引号;双引号;heredoc语法等等。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2024.04.29

13014

11

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
Excel 教程
Excel 教程

共162课时 | 46万人学习

成为PHP架构师-自制PHP框架
成为PHP架构师-自制PHP框架

共28课时 | 3.7万人学习