前言
由于tesseract难以满足需求,尝试调用百度的api接口。
一、准备工作
只需要使用百度账号创建一个文字识别的应用,获取其API key和Secret key,在程序中调用即可。
二、使用步骤
注意要有一个鉴权的过程,获取到代表有合法性的access token后才能发起请求;
再写提取函数即可:
def for_picture(in_path, out_path):
url = 'https://aip.baidubce.com/oauth/2.0/token'
data = {
'grant_type': 'client_credentials', # 固定值
'client_id': '......', # 在开放平台注册后所建应用的API Key
'client_secret': '......' # 所建应用的Secret Key
}
res = requests.post(url, data=data)
res = res.json()
access_token = res['access_token']
# 通用文字识别接口url
general_word_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
# 二进制方式打开图片文件
f = open(in_path, 'rb')
img = base64.b64encode(f.read())
params = {"image": img,
"language_type": "CHN_ENG"}
request_url = general_word_url + "?access_token=" + access_token
headers = {'content-type': 'application/x-www-form-urlencoded'}
response = requests.post(request_url, data=params, headers=headers)
if response:
res = response.json()["words_result"]
with open(out_path, 'w', encoding='utf-8') as f:
for j in res:
f.write(j["words"] + "\n")
效果:
作为提取的原图片,右为提取结果。
总结
虽然可以满足需求,但是毕竟使调用了成熟的应用接口,使我的工作量大大减少;
而且需要用到网络连接,在没有网络的情况下将不能提取;
但是鉴于其效果良好,如果条件允许,后期可能就使用百度提供的ocr了,毕竟项目的重点在查重。