【class14】创建自己的OCR系统

【class14】

上节回顾

在上节课中，我们主要了解了OCR的实现原理。
简单来说，OCR技术就是提取文档/图像中的文字。

接下来我们将进入实战，搭建属于自己的OCR系统～
为了更高效地学习，我们分为以下几步完成：
1. 读取图像文件
2. 接入百度智云文字识别服务
3. 调用通用文字识别
4. 提取文字识别信息
5. 写入文本文件

1. 读取图像文件

如图，我们随机选择一张试题图像，保存路径为"/Users/ocr/test.png"。

接着，直接打开并读取刚刚保存的这张图像。使用 with...as 配合open函数以rb 方式，打开路径为filePath的图像。
调用 read() 函数，读取图像中的内容。

# 将照片路径'/Users/ocr/test.png'赋值给变量filePath

filePath = '/Users/ocr/test.png'

# 使用with...as以rb方式，打开路径为filePath的图片并赋值给f

with open(filePath, 'rb') as f:

    # 使用read()读取f，赋值给变量image

    image = f.read()

    # 使用print()输出变量image

print(image)

关于read的一点拓展

在 Python 中，read(), readline(), 和 readlines() 是用于读取文件内容的三种不同的方法。

1. read():
   1. read() 方法用于从文件中读取指定数量的字节。如果未指定字节数量，则默认读取整个文件内容。
   2. 返回一个包含文件内容的字符串。
2. readline():
   1. readline() 方法用于从文件中读取一行内容，并返回一个字符串。每次调用该方法时，它会读取文件中的下一行。
   2. 当读取到文件末尾时，readline() 方法会返回一个空字符串。
3. readlines():
   1. readlines() 方法用于从文件中读取所有行，并将其存储在一个列表中。每个列表元素对应文件中的一行。
   2. 返回一个包含文件内容的列表，每个元素是文件的一行内容。

下面是这三种方法的简单示例用法：

# 假设有一个名为 "example.txt" 的文本文件，内容如下：

# Hello, World!

# This is a test file.

# Python is awesome.

# 使用 read() 方法读取整个文件内容

with open("example.txt", "r") as file:

    content = file.read()

print(content)

# 使用 readline() 方法逐行读取文件内容

with open("example.txt", "r") as file:

    line = file.readline()

    while line != "":

        print(line.strip())  # 删除行尾的换行符

        line = file.readline()

# 使用 readlines() 方法读取所有行，并存储在列表中

with open("example.txt", "r") as file:

    lines = file.readlines()

    for line in lines:

        print(line.strip())  # 删除行尾的换行符

2. 接入百度智云文字识别服务

读取完图像内容，在识别文字之前，我们需要先找到一个智能识别文字的方式：
接入百度智能云文字识别服务，然后调用这个服务进行识别。与图像识别一样，百度智能云也为文字识别提供了很多接口。
这些接口都能实现文字识别的功能。

在这里，我们「接入百度智云文字识别服务」同样只需3步：
a. 创建文字识别应用
b. 获取AppID、API Key和Secret Key
c. 创建文字识别客户端

a. 创建文字识别应用

登录已创建的百度账号。
进入【文字识别】页面以后，我们需要通过【创建应用】功能，创建一个属于我们自己的文字识别应用。

                                        

在【创建应用】页面：
1. 为你的应用设定名称；
2. 领取接口的免费额度；
3. 对应用进行简短的描述；
4. 填写完毕后，选择【立即创建】完成操作。

  

b. 获取AppID、API Key和Secret Key

创建完成后，点击「查看应用详情」就可以看到AppID、API Key和Secret Key。
我们需要使用这三个ID来调用对应的API。

c. 创建文字识别客户端

在之前的项目中，我们已经安装好了 Python SDK。
现在直接导入和新建AipOcr即可创建文字识别客户端。

创建文字识别客户端

代码的作用

AipOcr是OCR的Python SDK客户端，为使用OCR的开发人员提供了一系列的交互方法。
在使用之前，我们需要先创建它。

# 从aip中导入AipOcr

from aip import AipOcr

# 将AppID"10252021"赋值给变量APP_ID

APP_ID = '10252021'

# 将API Key"ZHe7788sh11GEjIAdEKeY"赋值给变量API_KEY

API_KEY = 'ZHe7788sh11GEjIAdEKeY'

# 将Secret Key"JMMzHe7788BUSH1ZhEnM1YUEhh"赋值给变量SECRET_KEY

SECRET_KEY = 'JMMzHe7788BUSH1ZhEnM1YUEhh'

# 新建一个AipOcr，并赋值给变量client

client = AipOcr(APP_ID, API_KEY, SECRET_KEY)

3.调用通用文字识别

接下来，我们就可以调用接口来实现文字识别啦～
为了更准确、通用，这里选择「通用文字识别（高精度版）」这个接口来搭建OCR系统。

「通用文字识别（高精度版）」能更高精度地识别图片中的文字信息。
即对输入的一张图片，识别出所有的文字。

调用通用文字识别

代码的作用

这几行高亮的代码，利用「通用文字识别（高精度版）」接口，对一张输入图片，识别出所有文字。

代码：

# 3. 调用通用文字识别

# 如果有可选参数

# 创建字典options，并将可选参数detect_direction的值设置为"true"

options = {"detect_direction":"true"}

# 调用通用文字识别接口并把结果赋值给result

result = client.basicAccurate(image, options)

# 输出result

print(result)

设置可选参数

在调用接口时，规定了可选参数需要以字典的形式传入函数中，所以创建了字典options。
这里提供的可选参数有2个：
detect_direction和probability
示例中添加了参数detect_direction，将其设置为"true"，就能检测图像的朝向。

待识别的图像

必选参数image，图像数据，支持jpg/png/bmp格式
要求大小不超过4M，最短边至少15px，最长边最大4096px，否则会识别失败。

调用通用文字识别

对刚刚新建的AipOcr对象--client，使用basicAccurate( )函数。
将待识别的图像必选参数image和可选参数options传入到该函数中即可。

这么多的参数当然不是每一个都需要。
我们需要的文字识别信息都存储在'words_result'中。
其他参数对我们暂时没有使用价值。

4. 提取返回结果
调用接口返回的是一个复杂的字典结构，我们将它赋值给了result。
想要从字典result中取出参数'words_result'的值，得到文字信息，可以用result['words_result']。

# 4. 提取返回结果

# 从返回结果中提取出参数words_result的值并赋值给变量ending

ending = result['words_result']

# 使用print()输出变量ending

print(ending)

参数'words_result'的值是一个列表结构，我们将它赋值给了ending。
取出列表ending的每一个元素，我们用for循环来实现。

# 4. 提取返回结果

# 从返回结果中提取出参数words_result的值并赋值给变量ending

ending = result['words_result']

# 使用for循环遍历列表ending中的每一个元素

for word in ending:

    # 使用print()输出word

prnt(word)

我们发现，列表中的每一个元素都包含参数'words'。
这是因为文字识别是按照单元行（从上到下）进行的，每一行的内容都与识别结果一一对应。
它们分别存储在独立的'words'中，共同组成一个列表。

列表中的每一个元素又是一个字典，我们想要获得'words'参数中的文字信息就需要指定键'words'。

# 提取参数'words'中的文字信息

    text = word['words']

    # 使用print()输出text

print(text)

如图所示，最终我们获得了所有'words'参数中的文字信息。
这样，整个识别过程也就完成了。

5. 写入文件

最后，为了保存记录，我们试着将刚刚获得的所有文字信息写入最简单的文本文件，方便查看。

写入文件

代码的作用

写入文件和读取文件类似，同样需要先打开文件再写入。
这几行代码使用 with...as 语句配合 open() 函数以a方式，打开了路径为test.txt的文件，并使用write()函数写入内容"这是个测试！"。

代码：

# 使用with...as以a方式，打开路径为test.txt的文件

# 并赋值给fp

with open("test.txt","a") as fp:

    # 使用write()将"这是个测试！"写入fp

fp.write("这是个测试！")

a方式

文件的打开方式用特定的字符串表示。
这里的" a " 表示写入文件时，若文件不存在则会先创建再写入，但不会覆盖原文件，而是追加在文件末尾。

write()函数

对文件进行写入操作，传入的参数常为字符串格式。
这里，使用write()函数在文本中写入内容"这是个测试！"。

# 5. 写入文件

    # 使用with...as以a方式，打开路径为test.txt的文件并赋值给fp

    with open("test.txt","a") as fp:

        # 使用write()将文字信息text写入fp

        fp.write(text)

# 使用print()输出"写入完成"      

print("写入完成")

写入完成，我们打开test.txt文件发现：
所有的文字信息都连成一片，密密麻麻没有间隔。

这样既不利于我们查找也不方便阅读。
因此，我们可以在字符串后面添加换行符'\n' ，按行写入文字信息。

修改代码为：

# 使用write()将文字信息text换行写入fp

        fp.write(text+ '\n')

这样，当我们再次打开test.txt文件就可以看到：文字信息是按照识别行的顺序依次写入的啦～当然你也可以按照自己的风格，用其他符号来分隔写入的文字信息😆