【OCR】OCR开源文字识别工具

在日常的工作中，例如自动化测试开展时，经常涉及到一些验证码识别、文本识别、图像识别的场景，市面上虽也有很多识别工具，但质量、准确性参差不齐。

今天给大家推荐一个开源OCR项目:Umi-OCR，功能很强大，而且还可以离线使用，非常受欢迎。

1、项目介绍

 

该项目是基于PaddleOCR开发的，用Python编写，目前只支持Windows平台运行，跨平台还在筹备中。

项目地址：

https://github.com/hiroi-sora/Umi-OCR
https://gitee.com/mirrors/Umi-OCR.git

项目结构：

Umi-OCR
├─ Umi-OCR.exe
└─ UmiOCR-data
   ├─ main.py **
   ├─ version.py **
   ├─ site-packages
   │  └─ python包
   ├─ runtime
   │  └─ python解释器
   ├─ qt_res **
   │  └─ 项目qt资源，包括图标和qml源码
   ├─ py_src **
   │  └─ 项目python源码
   ├─ plugins
   │  └─ 插件
   └─ i18n **
      └─ 翻译文件

项目特点：

• 免费：本项目所有代码开源，完全免费。

• 方便：解压即用，离线运行，无需网络。

• 高效：自带高效率的离线OCR引擎，内置多种语言识别库。

• 灵活：支持命令行、HTTP接口等多种调用方式。

• 功能：截图OCR / 批量OCR / PDF识别 / 二维码 / 公式识别

2、项目使用

直接在releases中选择合适的版本，可选择以下方式下载：

GitHub https://github.com/hiroi-sora/Umi-OCR/releases/latest
蓝奏云 https://hiroi-sora.lanzoul.com/s/umi-ocr
Source Forge https://sourceforge.net/projects/umi-ocr

本软件无需安装，解压后，点击 Umi-OCR.exe 即可启动程序。

 

截图OCR

这个功能很适合在一些不能复制的网页上使用，速度很快，准确率也很高。

 

🌲🌲🌲 

截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。

• 左侧的图片预览栏，可直接用鼠标划选复制。

• 右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。

• 也支持在别处复制图片，粘贴到Umi-OCR进行识别。

批量OCR

如果需要一次性识别多图片，这个功能值得拥有 只需要将所有的图片导入，然后点击开始任务，就可以批量识别了。

批量OCR：这一页支持批量导入本地图片并识别。

• 识别内容可以保存为 txt / jsonl / md / csv(Excel) 等多种格式。

• 与截图OCR一样，支持文本后处理功能，整理OCR文本的排版和顺序。

• 支持 忽略区域 。

• 没有数量上限，可一次性导入几百张图片进行任务。

可自定义忽略区域

忽略区域：批量OCR中的一种特殊功能，适用于排除图片中的不想要的文字。

文档识别

 

文档识别：

• 支持导入 pdf, xps, epub, mobi, fb2, cbz 格式的文件。

• 对扫描件进行OCR，或提取原有文本。可输出为 双层可搜索PDF 。

• 支持设定 忽略区域 ，可用于排除页眉页脚的文字。

• 可设置任务完成后 自动关机/休眠 。

支持命令行、接口调用

支持通过命令行或HTTP接口的方式来调用，命令行调用入口就是主程序 Umi-OCR.exe

OCR指令命令行使用：

截屏：Umi-OCR.exe --screenshot
粘贴图片：Umi-OCR.exe --clipboard
指定地址：Umi-OCR.exe --path "D:/xxx.png"
结果输出：Umi-OCR.exe --screenshot --> test.txt

OCR指令均可在控制台回传识别结果。请耐心等待，在一次指令结束前不要输入下一条指令。所有指令支持用前几个字母替代，如--screenshot、--clipboard可以分别简写为--sc、--cl。具体可自己尝试。

HTTP接口 需先勾选开启HTTP服务，

必须允许HTTP服务才能使用HTTP接口（默认开启，端口1224）。如果需要允许被局域网访问，请将主机切换到任何可用地址。

示例如下：

import requests
import json

url = "http://127.0.0.1:1224/api/ocr"
data = {
    "base64": "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",
    # 可选参数
    # Paddle引擎模式
    # "options": {
    #     "ocr.language": "models/config_chinese.txt",
    #     "ocr.cls": False,
    #     "ocr.limit_side_len": 960,
    #     "tbpu.parser": "multi_para",
    #     "data.format": "text",
    # }
    # Rapid引擎模式
    # "options": {
    #     "ocr.language": "简体中文",
    #     "ocr.angle": False,
    #     "ocr.maxSideLen": 1024,
    #     "tbpu.parser": "multi_para",
    #     "data.format": "text",
    # }
}
headers = {"Content-Type": "application/json"}
data_str = json.dumps(data)
response = requests.post(url, data=data_str, headers=headers)
if response.status_code == 200:
    res_dict = json.loads(response.text)
    print("返回值字典\n", res_dict)

更多详细使用可参考：

• https://gitee.com/mirrors/Umi-OCR/blob/main/docs/README_CLI.md

• https://gitee.com/mirrors/Umi-OCR/blob/main/docs/README_HTTP.md