腾讯云OCR服务二次开发如何实现？

本文共计2165个文字，预计阅读时间需要9分钟。

本文记录了对腾讯云OCR服务二次开发的代码和实践过程，以及开发过程中遇到的问题。

腾讯云OCR服务二次开发

目录

1. 腾讯云OCR服务二次开发

2.前言

3.安装SDK

4.调用API

5.学习API文档

6.通用印刷体识别API

7.代码

前言

为了实现特定功能，我们对腾讯云OCR服务进行了二次开发。

安装SDK

首先，我们需要安装腾讯云OCR服务的SDK。

调用API

接下来，我们通过API调用OCR服务。

学习API文档

为了更好地使用API，我们仔细学习了API文档。

通用印刷体识别API

我们使用了通用印刷体识别API进行文本识别。

代码

以下是实现OCR功能的代码示例：

python

代码示例

以上是对腾讯云OCR服务二次开发的简要记录。

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。 腾讯云OCR服务二次开发

目录

• 腾讯云OCR服务二次开发
  • 前言
  • 安装SDK
  • 调用API
    • 学习API文档
    • 通用印刷体识别API
  • 代码
    • main.py
    • parse_args.py
    • ocrtool.py
  • 运行结果
    • 本地图片
    • 本地PDF
    • 网络图片
  • 问题整理
    • 问题1：argparse模块参数之间如何生成依赖？
    • 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？
    • 问题3：bytes格式转化为str格式的方法：
  • 后续想法

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：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：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.cloud.tencent.com/document/product/866/33515 self.region = "ap-guangzhou" self.cred = credential.Credential("xxx", "xxx") self.gimg2.baidu.com/image_search/src=http%3A%2F%2Fww2.sinaimg.cn%2Fmw690%2F001SRYirly1h0czgvocbqj60uj0u043f02.jpg&refer=http%3A%2F%2Fwww.sina.com&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=auto?sec=1652184476&t=f35c29a812ee6a9a8e8d8fd582e0b60f

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。