【百度大脑新品体验】表格文字识别
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
识别结果:
识别结果:
识别结果:
识别结果:
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。
上一篇: TODO:你的健康你做主吗
下一篇: 【百度大脑新品体验】车牌识别