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：

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。