ComponentDevelopment/OCRPython/extractor/identitycard_extractor.py

import re
from extractor import Extractor
from configs.basic_config import logger

class IdentityCardExtractor(Extractor):
    def extract_text(self, text:str)->dict:
        try:
            patterns = {
                "issuingAuthority": r"签发机关\n(.+?)\n",
                "validTime": r"有效期限\n(.+?)\n",
                "name": r"(\S+)\n(?:男|女)",
                "gender": r"(\S+)民族",
                "ethnicity": r"民族(\S+)",
                "dateOfBirth": r"(\d+年\d+月\d+日)",
                "address": r"(住址|佳址)\s*(.*?)公民身份号码",
                "idNumber": r"(\d{18}|\d{17}[Xx])"
            }
            tempText = self.remove_blank_lines(text)
            # 提取信息
            info = {}
            for key, pattern in patterns.items():
                match = re.search(pattern, tempText,re.DOTALL)
                if match:
                    if "address" == key:
                        tempStr = match.group(2).strip()
                    else:
                        tempStr = match.group(1).strip()
                    info[key] = tempStr.replace("\n", "")
            return info
        except Exception as e:
            print(e)
            logger.error(e)
        return {}
    
    # def extract_textbyPaddle(self, text:str)->dict:
    #     try:
    #         patterns = {
    #             "issuingAuthority": r"签发机关\n*(.+?)\n",
    #             "validTime": r"有效期限\n*(.+?)\n",
    #             "name": r"姓名(.*?)\n", #####
    #             "gender": r"(\S)民族",
    #             "ethnicity": r"民族(\S+)",
    #             "dateOfBirth": r"(\d+年\d+月\d+日)",
    #             "address": r"(住址|佳址)\s*(.*?)公民身份号码",
    #             "idNumber": r"(\d{18}|\d{17}[Xx])"
    #         }
    #
    #         tempText = self.remove_blank_lines(text)
    #         # 提取信息
    #         info = {}
    #         for key, pattern in patterns.items():
    #             match = re.search(pattern, tempText,re.DOTALL)
    #             if match:
    #                 if "address" == key:
    #                     tempStr = match.group(2).strip()
    #                 else:
    #                     tempStr = match.group(1).strip()
    #                 info[key] = tempStr.replace("\n", "")
    #         return info
    #     except Exception as e:
    #         print(e)
    #         logger.error(e)
    #     return {}

    def extract_textbyPaddle(self, text:str)->dict:
        try:
            result = {
                "issuingAuthority": "",
                "validTime": "",
                "name": "",
                "gender": "",
                "ethnicity": "",
                "dateOfBirth": "",
                "address": "",
                "idNumber": ""}
            # 提取签发机关
            issuing_authority = re.search(r"(签发机关|签发机美)\n*(.+?)\n", text, re.DOTALL)
            if issuing_authority:
                result["issuingAuthority"] = issuing_authority.group(2).strip()

            # 提取有效期限
            valid_time = re.search(r"有效期限\n*(\d{4}\.\d{2}\.\d{2}-\S+)", text, re.DOTALL)
            if valid_time:
                result["validTime"] = valid_time.group(1).strip()

            # 提取姓名
            name = re.search(r"姓名\s*(.*?)\n", text,re.DOTALL)
            if name:
                tempName = name.group(1).strip()
                if tempName in "性别男" or tempName in "性别女" or "性别男" in tempName or "性别女"  in tempName:
                    name = re.search(r"(\S+)\s*姓名", text, re.DOTALL)
                    result["name"] = name.group(1).strip()
                else:
                    result["name"] = name.group(1).strip()

            else:
                name = re.search(r"米名(\S*)址\s*(\S+)", text, re.DOTALL)
                if name:
                    result["name"] = name.group(2).strip()
                else:
                    name = re.search(r"名\s*(\S+)\s*姓\s*", text, re.DOTALL)
                    if name:
                        result["name"] = name.group(1).strip()
                    else:
                        name = re.search(r"(\S+)\s*(男|女|性别)", text, re.DOTALL)
                        if name:
                            result["name"] = name.group(1).strip()

            # 提取民族
            ethnicity = re.search(r"民\s*(族|旅)\s*(\S+)", text, re.DOTALL)
            if ethnicity:
                result["ethnicity"] = ethnicity.group(2).strip()

            # 提取地址
            address = re.search(r"(住址|佳址)(.*?)公民身份号码", text, re.DOTALL)
            if address:
                result["address"] = address.group(2).strip().replace("\n", "")
            else:
                address = re.search(r"(\S+省)(.*?)公民身份号码", text, re.DOTALL)
                if address:
                    result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "")
                else:
                    address = re.search(r"(\S+市)(.*?)公民身份号码", text, re.DOTALL)
                    if address:
                        result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "")
                    else:
                        address = re.search(r"(\S+县)(.*?)公民身份号码", text, re.DOTALL)
                        if address:
                            result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "")
            if result["address"]:
                result["address"] = re.sub(r'[A-Z]', '', result["address"])

            # 提取身份证号码
            id_number = re.search(r"(\d{18}|\d{17}[Xx])", text, re.DOTALL)
            if id_number:
                result["idNumber"] = id_number.group(1).strip()

            if result["idNumber"]:
                # 提取出生日期
                result["dateOfBirth"] = self.extract_birthday_from_id(result["idNumber"])
                # 提取性别
                result["gender"] = self.get_gender_from_id(result["idNumber"])

            return result
        except Exception as e:
            print(e)
            logger.error(e)
        return {}

    class InvoiceExtractor(Extractor):
        def extract_text(self,text:str)->dict:
            pass


# text = """中华人民共和国
# 居民身份证
# 签发机关合肥市公安局庐阳分局
# 有效期限
# 2022.07.10-长期
# 姓名陈玉振
# 性别男
# 民族汉
# 出生1973年6月19日
# 佳址安徽省合肥市庐阳区固镇
# 路3150号森林城A6地块1
# 幢2001室
# 公民身份号码
# 440203197306192118"""
# text = """
# 中华人民共和国
# 居民身份证
# oo
# 签发机关宿州市公安局桥分局
# 有效期限2023.01.18-2043.01.18
# 姓名郭乾坤
# 性别男民族汉
# 出生1994年10月17日
# 住址 安徽省宿州市场桥区朱仙
# 庄镇郭庙村郭家组6号
# 公民身份号码
# 34220119941017327X
# """

# text = """中华人民共和国
# 居民身份证
# 签发机关
# 盐源县公安局
# 出
# 有效期限
# 2013.06.18-2033.06.18
# 坐姓5性中出住
# 米名年别到生委址
# 江六斤
# 男民族彝
# 半口
# 1980
# 年4月20日
# 四川省盐源县盖租乡阿石
# 村6组4号
# 公民身份号码
# 513423198004203995
# """
#
# text = """姓名韩邀宇
# 性别男
# 民族汉
# 出生
# 1999年12月15日
# 住址
# 安徽省太和县税镇镇十里
# 沟村委会中韩村16号
# 公民身份号码
# 34122219991215183X"""
#
#
# text = """中华人民共和国
# 居民身份证
# 签发机关
# 木里县公安局
# 有效期限
# 2016.12.05-2026.12.05
# 姓性出住
# 马加加
# 女
# 民族彝
# 1998年1月2日
# 址
# 四川省木里藏族自治县博
# 科乡八科村麻窝地组18号
# 公民身份号码
# 513422199801023821"""

# text = """
# 毛阿卡
# 姓名
# 性别男
# 民族彝
# 3
# 出生
# 1976年3月3日
# 住址
# 四川省木里藏族自治县耗
# 牛坪乡泥珠村下泥珠组55
# 号
# 中国LHINA
# 公民身份号码
# 513423197603033997
# 中华人民共和国
# 居民身份证
# 签发机关
# 木里县公安局
# 有效期限
# 2017.06.06-2037.06.06
# """
# text = """中华人民共和国
# 居民身份证
# 国
# 签发机关
# 西昌市公安局
# 有效期限
# 2008.09.01-2028.09.01
# 逆姓5性中出日住
# 米名丰别刺生更址
# 祝九根惹
# 心
# 民
# 族彝
# 男
# E
# 1978
# 四川省西昌市磨盘乡大厂
# 村4组27号
# 公民身份号码
# 513401197807087411
# """
# text = """中华人民共和国
# 居民身份证
# 签发机关
# 木里县公安局
# 有效期限
# 2020.03.16-2025.03.16
# 名
# 蒋子古
# 姓
# 男
# 民族彝
# 出生
# 2005年1月4日
# 住址
# 四川省木里藏族自治县耗
# 牛坪乡泥珠村5组29号
# 公民身份号码
# 513422200501044415
# """
#
# text = """姓名苏龙格德·胡尔查巴特尔
# 性别男民族蒙古
# 出生1973年10支月27日
# 内蒙古赤峰市巴林右旗沙布
# 台苏木树中嘎查
# 中华人民共和国
# 居民身份证
# 签发机关巴林右旗公安局
# 有效期限2004.10.27-2024.10.26"""
# text ="""唐昌梅
# 姓名
# 性别女民族苗
# 出生1975年8月15日
# 住址
# 湖南省常德市鼎城区双桥
# 坪镇全家坪村3组
# 公民身份号码
# 433030197508150820"""
# extractor = IdentityCardExtractor()
# jsonstring = extractor.extract_textbyPaddle(text)
# print(jsonstring)




# text = """
# 姓名张三
# 性别男
# 民族汉
# # """
# text = """
# 江六斤
# 女民族彝
# """
# # 尝试使用 r"性别(\S)" 匹配性别
# gender_match = re.search(r'性别(\S)|(\S)民族', text)
# if gender_match:
#     gender = gender_match.group(0)
#     print("性别是:", gender)
# # else:
# #     # 如果匹配不到，尝试使用 r"(\S)民族" 匹配
# #     gender_match = re.search(r'(\S)民族', text)
# #     if gender_match:
# #         gender = gender_match.group(1)
# #         print("性别是:", gender)
# else:
#     print("未找到性别信息")