找到
1
篇与
PDF文字提取
相关的结果
-
(可API调用)无需联网即可使用基于深度学习识别的OCR工具Umi-OCR，内置高效率的离线OCR引擎 本文深入解析了Umi-OCR这一基于深度学习的离线OCR开源工具，重点突出其无需联网、支持API调用、兼容多平台的核心优势。工具内置Paddle/Rapid双引擎，提供截图OCR、批量文档处理、二维码生成解析等实用功能，并通过详细的Python代码示例演示了PDF整本转TXT的自动化流程。文章涵盖从软件下载安装、命令行操作到HTTP接口调用的完整教程，并针对常见硬件兼容性问题（如奔腾/赛扬CPU支持）、系统报错（OpenGL配置、DLL缺失等）提供专业解决方案，为开发者提供开箱即用的高效OCR技术方案。 特别注意：Paddle版性能好，但不兼容奔腾、赛扬、凌动CPU。Rapid兼容绝大部分硬件。下面我以Paddle版为例，进行一个简单的使用效果测试。 下载安装包 蓝奏云：https://hiroi-sora.lanzoul.com/s/umi-ocr GitHub：https://github.com/hiroi-sora/Umi-OCR/releases/latest 下载软件的代码图片 解压软件 双击exe之后就会让你选择一个解压目录，可以新建一个文件夹来存储解压后的。 解压软件图片 解压之后如图： 解压之后如图图片 主要功能 截图OCR： 截图OCR图片 批量OCR： 批量OCR图片 批量文档： 批量文档图片 二维码： 二维码图片 命令行API调用 如图，必须允许HTTP服务才能使用命令行（默认开启）。主机选择 仅本地 就行了。 允许HTTP服务图片 一些基本操作： 弹出主窗口：umi-ocr --show 隐藏主窗口：umi-ocr --hide 关闭软件：umi-ocr --quit 鼠标截屏 umi-ocr --screenshot 范围截屏 umi-ocr --screenshot screen=0 rect=x,y,w,h 范围截屏控制参数： screen: 要截图的显示器编号（多个显示器时有效），从0开始。缺省为0。 rect: 截图范围矩形框，x坐标,y坐标,w宽度,h高度。缺省为全屏。 注意： 这两个参数的前面无需加--。 这两个参数至少要填一个，才能触发范围截图。没有任一参数时，执行鼠标截屏。 示例1：截取第1个显示器的全屏 umi-ocr --screenshot screen=0示例2：截取第2个显示器，从左上角 (50,100) 开始，大小为 300x200 的矩形区域 umi-ocr --screenshot screen=1 rect=50,100,300,200粘贴图片 umi-ocr --clipboard 指定路径 指定路径：umi-ocr --path "D:/xxx.png" 可传入文件夹的路径。将搜索文件夹中所有图片（包括嵌套子文件夹），并输出所有识别结果。 可传入多个路径。请用双引号""包裹单个路径，不同路径间用空格 隔开。 指定多个路径 示例：umi-ocr --path "D:/img1.png" "D:/img2.png" "D:/image/test" 提示： 多图识别时，耗时较长；一次命令结束前不要输入下一个命令。 对于截屏、粘贴、路径指令，OCR参数（如识别语言，是否复制到剪贴板、是否弹出主窗口）采用截图OCR标签页的设定。如果不希望命令行任务弹出主窗口，请在截图OCR标签页中关闭该选项。 二维码指令 识别二维码：umi-ocr --qrcode_read "D:/xxx.png" 与OCR指令一致，二维码识别的指令也支持传入多个图片&文件夹路径。 生成二维码：umi-ocr --qrcode_create "文本内容" "D:/输出图片.jpeg" 默认的图片宽高为最小适配长度。也可以在指令后方加上数字，手动指定图片宽高： 例，同时指定宽高为128像素：umi-ocr --qrcode_create "文本内容" "D:/输出图片.jpeg" 128 例，宽128，高256像素：umi-ocr --qrcode_create "文本内容" "D:/输出图片.jpeg" 128 256 命令行结果输出 复制到剪贴板 --clip 输出到文件（覆盖） --output "file.txt" 输出到文件（追加） --output_append "file.txt" 也可以使用箭头符号： "-->" 等价于 --output "-->>" 等价于 --output_append 例： umi-ocr --screenshot --clip umi-ocr --screenshot --output test.txt umi-ocr --screenshot "-->" test.txtHTTP接口手册 HTTP接口手册 - Github 具体有点太多了，可以自行查看官方文档。 Python将整本pdf转为txt的示例 这里我写一个Python的代码，用来把pdf提取成txt。这是基于HTTP做的。 import os import json import time import requests class UmiOCRProcessor: """Umi-OCR HTTP接口处理器""" def __init__(self, base_url="http://127.0.0.1:1224", download_dir="./download"): """ 初始化OCR处理器 :param base_url: API基础地址 :param download_dir: 文件下载保存目录 """ self.base_url = base_url self.download_dir = download_dir self.headers = {"Content-Type": "application/json"} self.task_id = None # 当前任务ID def upload_file(self, file_path, options=None): """ 上传文件并启动OCR任务 :param file_path: 待识别文件路径 :param options: 任务参数（字典格式） :return: 任务ID """ print("=======================================") print("===== 1. 上传文件，获取任务ID =====") url = f"{self.base_url}/api/doc/upload" print("== 请求地址:", url) # 默认参数设置 if options is None: options = {"doc.extractionMode": "mixed"} options_json = json.dumps(options) # 第一次尝试上传 with open(file_path, "rb") as file: response = requests.post(url, files={"file": file}, data={"json": options_json}) # 处理上传失败的情况（非ASCII文件名问题） res_data = self._check_response(response) if res_data["code"] == 101: print("[警告] 检测到文件上传失败：错误码 == 101") file_name = os.path.basename(file_path) file_prefix, file_suffix = os.path.splitext(file_name) temp_name = f"temp{file_suffix}" print(f"尝试使用临时文件名 {temp_name} 替代原文件名 {file_name}") # 使用临时文件名重试上传 with open(file_path, "rb") as file: response = requests.post( url, files={"file": (temp_name, file)}, data={"json": options_json}, ) res_data = self._check_response(response) self.task_id = res_data["data"] print("任务ID:", self.task_id) return self.task_id def poll_task_status(self, interval=1): """ 轮询任务状态直到完成 :param interval: 轮询间隔（秒） """ if not self.task_id: raise ValueError("没有有效的任务ID") print("===================================================") print("===== 2. 轮询任务状态直到OCR任务完成 =====") url = f"{self.base_url}/api/doc/result" print("== 请求地址:", url) request_data = { "id": self.task_id, "is_data": True, "format": "text", "is_unread": True, } while True: time.sleep(interval) response = requests.post(url, data=json.dumps(request_data), headers=self.headers) res_data = self._check_response(response) # 打印处理进度 processed = res_data["processed_count"] total = res_data["pages_count"] print(f" 处理进度: {processed}/{total}") # 打印实时数据 if res_data["data"]: print(f"{res_data['data']}\n========================") # 检查任务是否完成 if res_data["is_done"]: if res_data["state"] != "success": raise RuntimeError(f"任务执行失败: {res_data['message']}") print("OCR任务处理完成") break def generate_download_link(self, file_types=None, ignore_blank=False): """ 生成结果文件下载链接 :param file_types: 需要生成的文件类型列表 :param ignore_blank: 是否忽略空白页 :return: (下载链接, 文件名) """ if not self.task_id: raise ValueError("没有有效的任务ID") print("======================================================") print("===== 3. 生成目标文件，获取下载链接 =====") url = f"{self.base_url}/api/doc/download" print("== 请求地址:", url) # 默认文件类型列表 if file_types is None: file_types = [ "txt", "txtPlain", "jsonl", "csv", "pdfLayered", "pdfOneLayer", ] request_data = { "id": self.task_id, "file_types": file_types, "ingore_blank": ignore_blank, # 注意：历史版本可能需要保留拼写错误 } response = requests.post(url, data=json.dumps(request_data), headers=self.headers) res_data = self._check_response(response) return res_data["data"], res_data["name"] def download_file(self, url, filename): """ 下载结果文件 :param url: 下载链接 :param filename: 保存文件名 """ print("===================================") print("===== 4. 下载目标文件 =====") print("== 请求地址:", url) # 创建下载目录 if not os.path.exists(self.download_dir): os.makedirs(self.download_dir) save_path = os.path.join(self.download_dir, filename) # 执行下载并显示进度 with requests.get(url, stream=True) as response: response.raise_for_status() total_size = int(response.headers.get("content-length", 0)) downloaded = 0 log_interval = 10_485_760 # 每10MB打印进度 with open(save_path, "wb") as f: for chunk in response.iter_content(chunk_size=8192): if chunk: f.write(chunk) downloaded += len(chunk) if downloaded >= log_interval: log_interval += 10_485_760 progress = (downloaded / total_size) * 100 print( f" 下载进度: {downloaded//1_048_576}MB | " f"总进度: {progress:.2f}%" ) print(f"文件下载完成，保存路径: {save_path}") def cleanup_task(self): """清理服务器上的任务数据""" if not self.task_id: raise ValueError("没有有效的任务ID") print("============================") print("===== 5. 清理任务 =====") url = f"{self.base_url}/api/doc/clear/{self.task_id}" print("== 请求地址:", url) response = requests.get(url) res_data = self._check_response(response) print("任务数据清理完成") @staticmethod def _check_response(response): """统一检查响应结果""" response.raise_for_status() res_data = json.loads(response.text) if res_data["code"] != 100: raise RuntimeError(f"API请求失败: {res_data}") return res_data # 使用示例 if __name__ == "__main__": # 初始化处理器 processor = UmiOCRProcessor(download_dir="./下载结果") try: # 步骤1：上传文件 task_id = processor.upload_file("XXXXX.pdf") # 步骤2：轮询任务状态 processor.poll_task_status() # 步骤3：生成下载链接 download_url, filename = processor.generate_download_link() # 步骤4：下载文件 processor.download_file(download_url, filename) # 步骤5：清理任务 processor.cleanup_task() print("\n======================\n处理流程完成") except Exception as e: print(f"\n发生错误: {str(e)}") 最终的识别结果： 识别结果图片 错误排查手册 详细内容请见： https://github.com/hiroi-sora/Umi-OCR/issues/447 ================================ 弹窗报错 Cannot find Py_Main() in …… 解决方法1： 下载安装VC运行库，重启系统，测试Umi-OCR能否正常运行。 https://aka.ms/vs/17/release/vc_redist.x64.exe 解决方法2： 使用这个bat文件代替 Umi-OCR.exe 来启动软件。双击它即可。 UmiOCR-data/RUN_GUI.bat 注意1：通过bat启动时，部分功能受限，将无法使用命令行指令和创建快捷方式（开始菜单、开机自启等）。如有需要，请参考后面【手动放置快捷方式】条目。 注意2：不要移动bat的位置。 ================================ 手动放置快捷方式 如果因为某些原因，软件自身无法创建快捷方式；请手动创建并将快捷方式放置到如下目录： 开始菜单目录： C:\ProgramData\Microsoft\Windows\Start Menu 开机自启目录： C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Startup ================================ 弹窗报错 Failed to create OpenGL context …… 下载运行库： https://github.com/hiroi-sora/Umi-OCR_v2/files/13167436/opengl32sw_64.zip 解压，将其中的dll文件放置于： UmiOCR-data/site-packages/PySide2/ ================================ 弹窗报错 Umi-OCR.exe 已停止工作 此问题常见于：软件已经在win10使用过，然后原封不动复制到win7上，导致配置冲突。 删除下述配置文件即可： UmiOCR-data/.pre_settings ================================ 应用程序无法正常启动(0xc0000142) 或者：[Error] OCR init fail.l. Argd: {'enable_mkldnn': True... 此问题大概率是：CPU不支持AVX指令集。 请换用 PaddleOCR 之外的插件或软件版本。比如： 方法1：更换使用 Umi-OCR_Rapid 。 方法2：额外导入 RapleOCR插件 。 ================================ 弹出黑框控制台窗口，【错误】Umi-OCR Error 找不到指定的程序 OSError 可能的发生条件： win7早期版本，缺少系统补丁（尤其是KB2533623） 其他原因，导致 Python 3.8 无法在该系统中运行。 修复方法： 推荐方法：使用系统检查更新（控制面板 → 系统和安全 → Windows Update → 检查更新），安装所有更新。 另一种方法：单独下载安装 KB2533623补丁 ，重启系统即可。不过，微软官方渠道已经关闭了该补丁的下载链接，您可能只能从第三方网站下载补丁，请务必注意安全。 ================================ 保存PDF时 “已停止工作” 文档识别，能识别出文字，能保存为txt等文件。但如果选择保存为双层可搜索PDF，则最后导出文件时弹窗报错： Umi-OCR.exe 已停止工作 查看问题详细信息： 问题事件名称：BEX64 故障模块名称：ucrtbase.DLL 故障模块版本：10.0.10240.16390 异常偏移：00000000064399 异常代码：c0000417可能的发生条件：win7早期版本，缺少系统补丁（尤其是 KB4534310、KB3042058） 修复方法： 注意！由于 KB4534310 依赖前置补丁，因此 不能 单独下载安装该补丁。 您必须使用系统检查更新（控制面板 → 系统和安全 → Windows Update → 检查更新），安装所有缺失的更新，直到下面这个项目安装完毕： 2020-01 适用于基于 x64 的系统的 Windows 7 月度安全质量汇总 （KB4534310） ================================ 丢失api-ms-win-crt-runtime-l1-1-0.dll 打开软件时，弹出错误弹窗： Umi-OCR.exe-系统错误 无法启动此程序，因为计算机中丢失 api-ms-win-crt-runtime-l1-1-0.dll 。尝试重新安装该程序以解决此问题。 可能的发生条件：缺少VC运行库。 修复方法：安装VC运行库： https://aka.ms/vs/17/release/vc_redist.x64.exe
