ai创建文字的方式有几种百度OCR（文字识别）服务使用入坑指南

默认分类1年前 (2023)发布 admin

44 0 0

百度OCR使用入坑指南

一、背景:什么是OCR

OCR是光学字符识别（）的缩写，是通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入技术。通俗来讲就是识别图片里的文字信息，非常适用于提取网络截图或扫描pdf等文件里的文本，可以极大提高生产效率，避免在遇到有大量文本提取需求时仅靠肉眼识别，徒手打字打到头秃的惨状。

目前市面上的OCR工具已经有非常之多，其中百度AI提供的OCR服务算是其中的佼佼者，百度文字识别是百度AI开放平台提供的众多AI在线服务之一，其功能极其丰富，包括通用文字识别、汽车场景文字识别、财务票据、各类卡证等面向不同场景的文字识别服务。除了在线接口OCR服务之外，最近百度还开源了飞桨文字识别套件，可以基于该工具开展本地化的文字识别，可以说非常良心了。今天主要介绍下通过在线api调用接口与本机部署模型两种形式实现文字识别的方式，希望能帮到有需要的人。

二、在线调用百度api接口 1. 注册百度智能云账号，创建应用获取key

如果本身有百度账号的话可以直接用百度账号登录，登录成功后界面如下：

之后选择其中的文字识别，进入文字识别应用界面，可以看到可用服务列表中提供了各类文字识别服务的使用状态、调用量限制等信息，一般每天都有几百次的免费调用机会，足以满足非大规模专业性的文字识别需求。初次使用时需要创建应用：

在创建新应用页面中，需要填写使用应用的相关信息，比如选择文字识别中的通用文字识别、以及选择是公司还是个人开发者使用等信息，全部填写完毕即可成功创建应用：

应用创建成功后会生成每个应用唯一的AppID、API Key、 Key等秘钥信息，这几个值是后续调用api接口的关键参数

2. 调用api发送请求，获取文字识别结果 2.1 构造请求

利用第一步我们创建应用获取的key，构造url请求，实现图像文字识别。这里的请求分两个阶段，第一步是根据key构造的请求获取；第二步是将获取的所包含的信息作为提交的数据再次向url发送请求，最终得到返回的文本信息，示例代码如下：

    '''
    构建请求url，获取Access Token，必须参数如下：
    
    grant_type： 必须参数，固定为client_credentials；
    client_id： 必须参数，应用的API Key；
    client_secret： 必须参数，应用的Secret Key；
    '''
    host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + '替换为自己的API Key' + '&client_secret=' + '替换为自己的Secret Key'
   
    headers = {
        'Content-Type': 'application/json;charset=UTF-8'
    }
    # 获取token
    res = requests.get(url=host, headers=headers).json()
    url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic'
    data = {}
    data['access_token'] = res['access_token']
    '''
    基于之前获取的token值，再次向请求url发送post请求，完成文字识别
    '''
    # 读取图片
    image = "D:临时图片1.png"
    file = open(image, 'rb')
    image = file.read()
    file.close()
    data['image'] = base64.b64encode(image)
    #发送post请求，传入图片信息参数，获取文字识别结果
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    res = requests.post(url=url, headers=headers, data=data)
    result = res.json()
    text = result['words_result'][0]['words']
    #输出文本结果，保存为txt
    f=open("D:临时图片1.txt",'a+')
    for i in range(0,len(result['words_result'])):
        f.write(result['words_result'][i]['words']+"n")

2.2 识别结果展示

传入图片：

ai创建文字的方式有几种百度OCR（文字识别）服务使用入坑指南

识别结果：

从这里可以看出，识别精度还是很不错的，这里我用的是高精度识别api接口，一天有500次免费使用机会，如果图片本身背景没有太多干扰的话，通用文字识别结果也是可以的。

三、百度开源模型：

上面介绍了通过在线调用api的形式来实现识别的方式，但这种方式还是有几点不足：

使用时本机要处在联网状态，如果是在离线环境下则没法通过请求接口的形式获取文字识别结果；接口调用量有限，尤其是高精度文字识别每天只有500次使用机会，无法满足大量文字识别需求（当然也可以付费增加调用配额）；

那么有没有可以自行离线部署，并且没有使用频率限制，同时文字识别精度还很高的解决方案呢？答案是使用：

旨在打造一套丰富、领先、且实用的OCR工具库，助力使用者训练出更好的模型，并应用落地。

其主要特性如下：

支持中英文数字组合识别、竖排文本识别、长文本识别

支持多语言识别：韩语、日语、德语、法语

支持用户自定义训练，提供丰富的预测推理部署方案

支持PIP快速安装使用

可运行于Linux、、MacOS等多种系统

更多相关信息可以参考的官方说明，这里主要介绍下使用环境下通过pip安装部署的步骤

1. 安装

pip install paddlepaddle

是运行库的依赖库，如果不预先安装，使用时会报错

ai创建文字的方式有几种百度OCR（文字识别）服务使用入坑指南

2. 安装

环境下不要直接使用pip 安装这个库，通过这种方式安装好后在实际使用中会出现：[ 126] 找不到指定模块的问题，最好直接下载whl文件，在本地安装。

3. 安装

安装好前面两个库以后，可以放心大胆的安装了：

pip install paddleocr

至此环境配置工作已做好，接下来可以调用模型测试了。

4. 模型运行代码示例

官方文档给了很详细的代码操作示例，这里选用其中一种演示

    # Paddleocr目前支持中英文、英文、法语、德语、韩语、日语，可以通过修改lang参数进行切换
    # 参数依次为`ch`, `en`, `french`, `german`, `korean`, `japan`。
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # need to run only once to download and load model into memory
    img_path = 'D:\bu.png'
    result = ocr.ocr(img_path, cls=True)
    for line in result:
        print(line)
    # draw result
    from PIL import Image
    image = Image.open(img_path).convert('RGB')
    boxes = [line[0] for line in result]
    txts = [line[1][0] for line in result]
    scores = [line[1][1] for line in result]
    im_show = draw_ocr(image, boxes, txts, scores)
    im_show = Image.fromarray(im_show)
    im_show.show()