腾讯云OCR服务二次开发
目录
前言
因为腾讯云账户中还剩一点点钱，刚刚好够买腾讯云里文字识别服务，想着自己平时看PDF比较多，可以用这个服务来便捷的进行图像文字转换。我购买的是通用印刷体识别，即可以对图片进行识别，也可以对PDF文件进行识别。需要注意的的是，图片识别需要将图片转为Base64，PDF识别时每次只能识别一张。
本文记录了对腾讯云OCR服务二次开发的代码和开发过程中遇到的问题。
安装SDK
我使用的是Python 3.6，要使用腾讯云的OCR服务，要先在本地环境中安装腾讯云的SDK。安装方式见：Python - SDK 中心 - 腾讯云 (tencent.com)
调用API
学习API文档
安装好SDK后，调用相应的接口就ok了，可以参考：文字识别 API 概览 - 服务端 API 文档 - 文档中心 - 腾讯云 (tencent.com)
因为主要需求是对PDF以及其截图进行识别，我购买的是GeneralBasicOCR-通用印刷体识别，腾讯可以在API Explorer - 云 API - 控制台 (tencent.com)中进行调试，比较方便。
通用印刷体识别API
通用印刷体识别主要支持以下参数：
| 参数名称 | 必选 | 类型 | 描述 |
|---|---|---|---|
| Action | 是 | String | 公共参数，本接口取值：GeneralBasicOCR。 |
| Version | 是 | String | 公共参数，本接口取值：2018-11-19。 |
| Region | 是 | String | 公共参数，详见产品支持的 地域列表，本接口仅支持其中的: ap-beijing, ap-guangzhou, ap-hongkong, ap-seoul, ap-shanghai, ap-singapore, na-toronto |
| ImageBase64 | 否 | String | 图片/PDF的 Base64 值。 要求图片/PDF经Base64编码后不超过 7M，分辨率建议600*800以上，支持PNG、JPG、JPEG、BMP、PDF格式。 图片的 ImageUrl、ImageBase64 必须提供一个，如果都提供，只使用 ImageUrl。 |
| ImageUrl | 否 | String | 图片/PDF的 Url 地址。 要求图片/PDF经Base64编码后不超过 7M，分辨率建议600*800以上，支持PNG、JPG、JPEG、BMP、PDF格式。 图片存储于腾讯云的 Url 可保障更高的下载速度和稳定性，建议图片存储于腾讯云。非腾讯云存储的 Url 速度和稳定性可能受一定影响。 |
| Scene | 否 | String | 保留字段。 |
| LanguageType | 否 | String | 识别语言类型。 支持自动识别语言类型，同时支持自选语言种类，默认中英文混合(zh)，各种语言均支持与英文混合的文字识别。 可选值： zh：中英混合 zh_rare：支持英文、数字、中文生僻字、繁体字，特殊符号等 auto：自动 mix：混合语种 jap：日语 kor：韩语 spa：西班牙语 fre：法语 ger：德语 por：葡萄牙语 vie：越语 may：马来语 rus：俄语 ita：意大利语 hol：荷兰语 swe：瑞典语 fin：芬兰语 dan：丹麦语 nor：挪威语 hun：匈牙利语 tha：泰语 hi：印地语 ara：阿拉伯语 |
| IsPdf | 否 | Boolean | 是否开启PDF识别，默认值为false，开启后可同时支持图片和PDF的识别。 |
| PdfPageNumber | 否 | Integer | 需要识别的PDF页面的对应页码，仅支持PDF单页识别，当上传文件为PDF且IsPdf参数值为true时有效，默认值为1。 |
| IsWords | 否 | Boolean | 是否返回单字信息，默认关 |
考虑到我的实际使用需求，主要会使用到ImageBase64、ImageUrl、IsPdf、PdfPageNumber这几个参数。
代码
我主要使用了argparse、base64、json这几个python内置模块。
我希望能够在CLI中便捷的使用这个工具，但是由于有很多不同的情况，所以使用argparse模块，覆盖不同的情况。同时，又因为对图片识别时，参数是base64，所以需要使用base64模块将图片转化为base64格式。
main.py
# -*- coding: UTF-8 -*-
# 参考：https://cloud.tencent.com/document/product/866/33515
# Author:Zhangyifei 2022年4月10日
import pyperclip
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from ocrtool import MyOcrTool, ReqObj
from parse_args import parse_args
if __name__ == '__main__':
try:
# 实例化Ocr工具
my_ocr_tool = MyOcrTool()
client = my_ocr_tool.client
req = ReqObj()
# 获取命令行参数
args = parse_args()
if args.local:
if args.isPdf:
req.req_local_img(args.local, args.page)
else:
req.req_local_img(args.local)
elif args.url:
if args.isPdf:
req.req_url_img(args.url, args.page)
else:
req.req_url_img(args.url)
# 获取输出
resp = client.GeneralBasicOCR(req)
ans = ''
if args.newline:
for i in resp.TextDetections:
ans += (i.DetectedText + '\n')
else:
for i in resp.TextDetections:
ans += (i.DetectedText)
print(ans)
if args.clip:
pyperclip.copy(ans)
except TencentCloudSDKException as err:
print(err)
parse_args.py
import argparse
import sys
def parse_args():
# 设置命令行参数
parser = argparse.ArgumentParser(description='OCR解析方式')
parser.add_argument('-u', '--url', type=str, required=False, help='图片的url')
parser.add_argument('-l', '--local', type=str, required=False, help='本地图片的地址')
parser.add_argument('-p', '--isPdf', required=False, action='store_true', help='是否是Pdf')
parser.add_argument('-n', '--page', type=int, required=False, help='识别哪一页PDF')
parser.add_argument('-s', '--newline', required=False, action='store_true', help='Ocr识别结果是否换行')
parser.add_argument('-c', '--clip', required=False, action='store_true', help='输出结果是否粘贴到剪切板中')
# 当未输入命令行参数时，打印帮助
if len(sys.argv) == 1:
parser.print_help()
sys.exit(1)
# 获取命令行参数
args = parser.parse_args()
# page参数和isPdf参数存在依赖
if args.isPdf and not args.page:
parser.print_help()
parser.error('The --isPdf argument requires the --page argument.')
# url参数和local参数只能有一个
if args.url and args.local:
parser.error('There can only be one argument --url and argument --local')
return args
ocrtool.py
# -*- coding: UTF-8 -*-
# 参考：https://cloud.tencent.com/document/product/866/33515
# Author:Zhangyifei 2022年4月10日
import base64
import json
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.ocr.v20181119 import ocr_client, models
def image_to_base64(file_path):
"""
将pdf转为Base64流
:param pdf_path: PDF文件路径
:return:
"""
with open(file_path, "rb") as image_file:
encoded_string = base64.b64encode(image_file.read())
return str(encoded_string, 'UTF-8')
class MyOcrTool(object):
def __init__(self):
# 参考https://cloud.tencent.com/document/product/866/33515
self.region = "ap-guangzhou"
self.cred = credential.Credential("xxx", "xxx")
self.httpProfile = HttpProfile()
self.httpProfile.endpoint = "ocr.tencentcloudapi.com"
self.clientProfile = ClientProfile()
self.clientProfile.httpProfile = self.httpProfile
self.client = ocr_client.OcrClient(self.cred, self.region, self.clientProfile)
self.params = {}
class ReqObj(models.GeneralBasicOCRRequest):
def __init__(self):
models.GeneralBasicOCRRequest.__init__(self)
def update_req_params(self, params):
# 更新req中的params
self.from_json_string(json.dumps(params))
def req_local_img(self, file_path, page=None):
# 请求本地的image文件
imagebase64 = image_to_base64(file_path)
# 由于page和isPdf存在依赖，当page存在时，说明是对pdf进行处理
if not page:
params = {
"ImageBase64": imagebase64,
}
self.update_req_params(params)
else:
params = {
"ImageBase64": imagebase64,
"IsPdf": True,
"PdfPageNumber": page
}
self.update_req_params(params)
def req_url_img(self, url_path, page=None):
# 请求url中的image文件
# 由于page和isPdf存在依赖，当page存在时，说明是对pdf进行处理
if not page:
params = {
"ImageUrl": url_path
}
self.update_req_params(params)
else:
params = {
"ImageUrl": url_path,
"IsPdf": True,
"PdfPageNumber": page
}
self.update_req_params(params)
运行结果
本地图片
使用-l参数（或者--local）表示对本地图片进行处理，使用-s（或者--newline）表示对图片中每行识别出来的内容进行换行。不使用-s时默认表示不换行。使用-c（或者--clip）表示将输出结果复制到粘贴板上，此时就可以方便的将输出的内容直接进行文本粘贴。
本地PDF
使用-p或者（--pdf）表示该文件是pdf文件，此时需要记得使用-n或者（--page）表示对哪一页进行OCR识别。否则的化会有报错提醒。
PS:如果需要对整个pdf进行识别和输出，可以重新进行函数封装，本文没有相关需求，暂不涉及。
网络图片
以下图为例：
我们复制图片url，使用-u（或者--url）表示对url进行处理，使用-s（或者--newline）表示对图片中每行识别出来的内容进行换行。
问题整理
问题1：argparse模块参数之间如何生成依赖？
使用if语句进行判断，不符合依赖条件则抛出错误。
# page参数和isPdf参数存在依赖
if args.isPdf and not args.page:
parser.print_help()
parser.error('The --isPdf argument requires the --page argument.')
问题2：argparse模块parser的参数type是bool时，CLI中传入参数即使是False，也会认为是True？
这是因为命令行传入的参数默认会认为是字符串格式，因此传参是False仍会认为是True。这个问题在argparse bool python - CSDN中有说明解决办法。我的解决办法是涉及到type是bool格式的，使用action参数进行判断。
parser.add_argument('-c', '--clip', required=False, action='store_true', help='输出结果是否粘贴到剪切板中')
问题3：bytes格式转化为str格式的方法：
str(encoded_string, 'UTF-8')
后续想法
-
封装函数对整个pdf进行处理并输出成文档(或EXCEL)
-
部署web服务器，在网页中进行操作OCR识别操作。