欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

【百度大脑新品体验】表格文字识别

程序员文章站 2022-07-12 20:40:37
...

使用表格文字识别技术,对个人、商品、公示内容等纸质信息登记表进行识别,快速实现表格内容的电子化,用于登记信息的结构化整理和统计,大幅度降低信息电子化工作的人力录入成本,提升信息管理的便捷性

一.平台接入

此步骤比较简单,不多阐述。可参照之前文档:

https://ai.baidu.com/forum/topic/show/943162

二.分析接口文档

1.打开API文档页面,分析接口要求

https://ai.baidu.com/docs#/OCR-API/87932804

(1)接口描述

对图片中的表格文字内容进行提取和识别,结构化输出表头、表尾及每个单元格的文字内容。支持识别常规表格及含合并单元格表格,并可选择以JSON或Excel形式进行返回。

(2)请求说明

需要用到的信息有:

请求URL:https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request

Header格式:Content-Type:application/x-www-form-urlencoded

Body中放置请求参数,参数详情如下:

本接口为异步接口,分为两个API:提交请求接口、获取结果接口。这里有一个关键参数:is_sync,取值为“false”,需通过获取结果接口获取识别结果;取值为“true”,同步返回识别结果,无需调用获取结果接口。当然,能一次搞定的绝不用两次,只需设置该参数为“true”即可。

(3)返回参数

返回示例

{“result”:

{“result_data”:“http://bj.bcebos.com/v1/ai-edgecloud/4F00EC7AED4E4827BD517CB105E56DEB?authorization=bce-auth-v1%2Ff86a2044998643b5abc89b59158bad6d%2F2019-08-10T07%3A28%3A13Z%2F172800%2F%2F374c64232876bcbe78a54105e438a97376f530788e5386e04f67d0cba4935f3d”,

“ret_msg”:"\xe5\xb7\xb2\xe5\xae\x8c\xe6\x88\x90",

“percent”:100,

“ret_code”:3},

“log_id”:1565422091617865}
2.获取access_token

encoding:utf-8

import base64

import urllib

import urllib2

request_url = " https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request "

二进制方式打开视频文件

f = open(’[本地文件]’, ‘rb’)

img = base64.b64encode(f.read())

params = {“data”: data }

params = urllib.urlencode(params)

access_token = ‘[调用鉴权接口获取的token]’

request_url = request_url + “?access_token=” + access_token

request = urllib2.Request(url=request_url, data=params)

request.add_header(‘Content-Type’, ‘application/x-www-form-urlencoded’)

response = urllib2.urlopen(request)

content = response.read()

if content:

print content
三.识别结果

【百度大脑新品体验】表格文字识别

识别结果:
【百度大脑新品体验】表格文字识别

【百度大脑新品体验】表格文字识别

识别结果:
【百度大脑新品体验】表格文字识别

【百度大脑新品体验】表格文字识别

识别结果:
【百度大脑新品体验】表格文字识别

【百度大脑新品体验】表格文字识别

识别结果:
【百度大脑新品体验】表格文字识别

结论:

识别结果方面:采用不同形式的复杂表格进行测试,识别结果比较准确,能够大大减少信息录入工作。

处理速度方面:每张图片处理时间在3-5s,可以接受。

四.源码共享

-- coding: utf-8 --

#!/usr/bin/env python

import urllib

import urllib.parse

import urllib.request

import base64

import json

import time

#client_id 为官网获取的AK, client_secret 为官网获取的SK

client_id = ‘*******************’

client_secret = ‘*********************’

#获取token

def get_token():

host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=' + client_id + '&client_secret=' + client_secret

request = urllib.request.Request(host)

request.add_header('Content-Type', 'application/json; charset=UTF-8')

response = urllib.request.urlopen(request)

token_content = response.read()

if token_content:

    token_info = json.loads(token_content.decode("utf-8"))

    token_key = token_info['access_token']

return token_key



 # 读取图片

def get_file_content(filePath):

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

    return fp.read()

#获取表格信息

def get_license_plate(path):

request_url = "https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request"



f = get_file_content(path)

access_token=get_token()

print (access_token)

img = base64.b64encode(f)

params = {“image”: img,“is_sync”: ‘true’,“request_type”: ‘json’}

params = {"image": img,"is_sync": 'true',"request_type": 'excel'}

params = urllib.parse.urlencode(params).encode('utf-8')

request_url = request_url + "?access_token=" + access_token

tic = time.clock()

request = urllib.request.Request(url=request_url, data=params)

request.add_header('Content-Type', 'application/x-www-form-urlencoded')

response = urllib.request.urlopen(request)

content = response.read()

toc = time.clock()

print('处理时长: '+'%.2f'  %(toc - tic) +' s')

if content:

    print (content)

    license_plates = json.loads(content.decode("utf-8"))

    excel_url = license_plates['result']['result_data']

    excel = urllib.request.urlopen(excel_url)

    with open("sbg.xls", "wb") as code:

        code.write(excel.read())

    return content

else:

    return ''

image_path=‘F:\paddle\sbg\s6.jpg’

get_license_plate(image_path)
五.意见建议

1.整体识别效果还是不错的,识别结果的精确度还有待提高,细节处理还可以更完善。比如复杂表格识别文字串行,个别文字丢失或错误等。

2.对表格中有手写体文字的识别效果不好,建议增加对手写输入的识别。

相关标签: ocr