ocr_api.py
ocr_api.py — PaddleOCR 封装类
初始化模型、长图智能切分（OpenCV 连通组件检测判断切线是否切到文字，切到了就上移）、结果缓存、GIF 兼容处理。切图算法详解见 api 主篇。
代码
# -*- coding: utf-8 -*-
# @Time : 2023/10/23 15:40
# @Author : chang
'''
飞将OCR识别（基于PaddleOCR）
官方文档：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/quickstart.md
功能：对长图自动切分、GIF自动转PNG、OCR文字识别、结果缓存、自动按行排版输出纯文本
'''
# 导入PaddleOCR核心识别类
from paddleocr import PaddleOCR
# 导入PIL图片处理库，用于图片打开、裁剪、格式转换
from PIL import Image
# 导入系统路径、文件操作库
import os
# 导入时间库，用于生成时间戳
import time
# 导入OpenCV，用于图片二值化、连通组件分析（判断是否有文字）
import cv2
# 导入数值计算库，用于数组处理
import numpy as np
# 导入系统库，添加模块搜索路径
import sys
sys.path.append('../') # 添加上级目录到Python路径，用于导入自定义工具
# 导入自定义工具：GIF转PNG函数
from utils_img import convert_gif_png
# 导入自定义日志工具
from utils import ner_logger
# PaddleOCR目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`(中文), `en`(英文), `fr`(法语), `german`, `korean`, `japan`
class Paddle_OCR():
"""
PaddleOCR封装类
功能：初始化模型、长图智能切分、单图/长图OCR识别、结果缓存、GIF兼容处理
"""
def __init__(self):
"""
构造函数：初始化OCR模型
use_angle_cls=True：开启方向分类器，自动修正倾斜图片
lang="ch"：使用中文模型
模型只会加载一次到内存，后续重复使用
"""
self.OCR = PaddleOCR(use_angle_cls=True, lang="ch")
# 定义时间戳生成函数：毫秒级时间戳
self.TIMENUMS=lambda :int(time.time()*1000)
def img_cut(self,img_path,img_savepath=None,part_height=1000):#640
'''
智能切图函数：解决超长图片OCR识别效果差的问题
智能判断文字位置，在无文字区域切分，保证文字完整性
:param img_path: 原始图片路径
:param img_savepath: 切分后图片保存目录，不传则自动生成
:param part_height: 每段预设高度，默认1000像素
:return: 切图保存目录、图片后缀
'''
# 获取图片后缀名（.jpg/.png等）
img_text =os.path.splitext(img_path)[1]
# 判断图片文件是否存在
if os.path.exists(img_path) :
# 打开图片
img = Image.open(img_path)
# 检查图像是否为RGBA模式（带透明通道）
if img.mode == 'RGBA':
# 将RGBA模式转换为RGB模式（OCR不支持透明通道）
img = img.convert('RGB')
# 获取图片的宽度和高度
width, height = img.size
# 如果未传入保存路径，则自动生成：与原图同目录，以原文件名命名的文件夹
if not img_savepath:
filepath,filename=os.path.split(img_path)
img_savepath=os.path.join(filepath,os.path.splitext(filename)[0])
# 如果保存目录不存在，创建目录
if not os.path.exists(img_savepath):
os.makedirs(img_savepath)
# 打印图片总高度和保存路径
print ("图片的总高:",height,img_savepath)
# 初始化切图参数
i=0 # 切图序号
height_head=0 # 每一段的起始高度
_height=part_height # 每一段的结束高度（初始值）
# 循环切图，直到切完整个图片高度
while _height <= height:
# 内层循环：智能寻找无文字区域作为切分点
while 1:
'''
判断截图位置有没有文字，判断逻辑：
1. 截取当前切分点附近一小条图片（宽度=全图，高度=2像素）
2. 二值化处理
3. 查找图像中的连通组件（有相同特征的像素区域）
4. 连通组件数量<=3 → 判定为无文字区域，可以切分
'''
# 截取切分点上方2个像素的窄条，用于判断是否有文字
part=img.crop((0, _height-2, width,_height))
# 将PIL图片转为numpy数组，供OpenCV处理
chu_img_array = np.asarray(part)
# 判断是否为灰度图，不是则转为灰度图
if chu_img_array.ndim == 2: # 已经是灰度图
gray = chu_img_array
else: # 彩色图才进行转换
gray = cv2.cvtColor(chu_img_array, cv2.COLOR_BGR2GRAY)
# 二值化处理（黑底白字）
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
# 计算连通组件数量
num_labels, labels = cv2.connectedComponents(thresh)
# 连通组件数量≤3 → 无文字 → 退出寻找循环
if num_labels <=3:
break
else:
# 有文字，向下移动4像素继续寻找
_height += 4
# 防止越界，到达图片底部直接停止
if _height >= height:
_height =height
break
# 最多向下寻找20次（80像素），避免死循环
if _height >= part_height + 4*20:
break
# 找到无文字区域，执行截图
part = img.crop((0, height_head, width,_height))
# 拼接切图保存路径
_save_path = os.path.join(img_savepath, f"{i}{img_text}")
# 保存切分后的小图
part.save(_save_path)
# 更新参数，准备下一次切图
i +=1 # 切图序号+1
height_head = _height # 下一段起始高度 = 当前结束高度
# 已切到图片底部，退出循环
if _height ==height:
break
# 更新下一段结束高度
_height +=part_height
# 防止超出图片高度
_height =_height if _height < height else height
# 返回切图保存目录和图片后缀
return img_savepath,img_text
else:
# 文件不存在，抛出异常
raise Exception("file no exists")
# 判断图的大小执行不同的处理：长图走切分逻辑，短图直接识别
def ocr_txt_new(self,img_path,width = 100, height = 100):
"""
对外主接口：OCR识别入口函数，自动判断图片类型并处理
:param img_path: 图片路径
:param width: 图片宽度
:param height: 图片高度
:return: 识别后的纯文本
"""
# 定义缓存文件路径：图片同名+.txt
_cache_img_content = f"{img_path}.txt"
# 如果缓存文件已存在，直接读取返回，避免重复识别
if os.path.exists(_cache_img_content):
with open(_cache_img_content,"r",encoding="utf-8") as f:
return f.read()
# 特殊处理GIF：OCR不支持GIF，使用最后一帧转为PNG
_ocr_path = img_path
if img_path.endswith(".gif"):
_tmp_ocr_file = img_path[:-4]+"_gif.png"
_ok = convert_gif_png(img_path,_tmp_ocr_file)
if _ok:
_ocr_path = _tmp_ocr_file
# 根据图片高度选择识别方式：>1010像素 → 长图切分识别，否则→单图识别
_content = ""
if height > 1010 and not _ocr_path.endswith(".gif"):
_content = self.ocr_txt_1(_ocr_path) # 长图+切图识别
else:
_content = self.ocr_txt_one(_ocr_path) # 短图直接识别
# 将识别结果写入缓存文件，下次直接读取
with open(_cache_img_content,"w",encoding="utf-8") as f:
f.write(_content)
return _content
# 处理单个图片：直接识别，不切图
def ocr_txt_one(self,img_path):
'''
单张图片直接OCR识别
:param img_path: 图片路径
:return: 按行拼接的纯文本
'''
# 执行OCR识别，cls=True开启方向分类
result = self.OCR.ocr(img_path, cls=True)
# 无识别结果，返回空字符串
if not result:
return ""
_textlist = []
# 遍历OCR返回结果
for res in result:
if not res:
continue
for line in res:
# line[0]：文字坐标四点
# line[1][0]：识别出的文字内容
txt=line[1][0]
_textlist.append(txt)
# 用换行符拼接所有文字
return "\n".join(_textlist)
def ocr_txt_1(self,img_path):
"""
长图识别：先调用img_cut切图 → 逐张识别 → 坐标合并 → 按行排序 → 输出完整文本
最后自动清理切图临时文件
"""
# 获取文件后缀
filemain,_text=os.path.splitext(img_path)
print(f"imgcut:{img_path},{_text}")
# 调用智能切图函数，返回切图目录和后缀
filedir,_text=self.img_cut(img_path)
# 获取切图目录下所有文件，并按创建时间排序
filelist=list(os.listdir(filedir))
filelist.sort()
dir_list = sorted(filelist, key=lambda x: os.path.getctime(os.path.join(filedir, x)))
filelist=[os.path.join(filedir,_f) for _f in dir_list]
# 如果切图为空，直接识别原图
if len(filelist)==0:
filelist=[img_path]
print("imgcut列表:",filelist)
# 初始化变量：累计高度、坐标列表、文字列表
height=0
coordinatelist=[]
txts=[]
# 遍历所有切分后的小图，逐张OCR识别
for ind,imgfile in enumerate(filelist):
result = self.OCR.ocr(imgfile, cls=True)
if not result:
continue
# 遍历识别结果
for res in result:
if not res:
continue
for line in res:
coordinate=line[0] # 文字四点坐标
txt=line[1][0] # 识别文字
# 拼接坐标：如果是第2张及以后的图，坐标Y轴需要加上前面图片的高度
if height:
coordinatelist.append([[i[0], i[1] + height] for i in coordinate])
else:
coordinatelist.append(coordinate)
# 保存文字，带上切图序号
txts.append(str(ind)+"###"+txt)
# 更新累计高度：以上一行文字底部+16像素作为下一段的基准高度
if len(coordinatelist) > 0:
height +=(coordinatelist[-1][2][1]+16)
else:
height += 1000 + 16
# 无任何识别内容，返回空
if len(coordinatelist)==0 and len(txts)==0:
return ""
# 将坐标列表转为numpy数组，用于计算行高
arr=np.array(coordinatelist)
# 提取所有坐标的Y轴数值
arr_2d = arr[:, :, 1]
# 计算最小行高，用于判断是否为同一行
row_height= min(arr_2d[:,3]-arr_2d[:,0])
# 按坐标Y（行）→ X（列）排序，保证文字从上到下、从左到右
sortcoordinatelist=sorted(coordinatelist,key=lambda x:(x[0][1],x[0][0]))
textlist=[]
ts=[]
lastheight=0
# 按行分组文字：Y坐标差小于最小行高 → 同一行
for t in sortcoordinatelist:
_txt=txts[coordinatelist.index(t)]
if lastheight==0:
ts.append(((t[0][0],t[2][0]),_txt))
lastheight=t[0][1]
elif t[0][1]-lastheight > row_height:
# 换行
ts.sort(key=lambda x:x[0][0])
textlist.append(ts)
ts=[((t[0][0],t[2][0]),_txt)]
lastheight = t[0][1]
else:
# 同一行，追加
ts.append(((t[0][0],t[2][0]),_txt))
textlist.append(ts)
# 拼接最终文本
textall = ""
for ind,l in enumerate(textlist):
text = "\t".join([t[1] for t in l])
k = text.split("###")[0]
v = text.replace(str(k)+"###","")
textall += v+"\n"
# 清理临时切图文件和目录
if len(filelist) > 1:
filedir = os.path.dirname(filelist[0])
if os.path.exists(filedir):
# 删除所有切图
for f in filelist:
os.remove(f)
# 删除切图目录
os.rmdir(filedir)
return textall
if __name__ == '__main__':
# 测试代码：传入图片路径，执行OCR识别并打印结果
img_path = r'/Users/ziguangchu/Downloads/tbc.jpeg'
pd = Paddle_OCR()
print (pd.ocr_txt_new(img_path,1080,3043))
项目分区导航：hwcloud_api ⬅️ | 05-ocr_api | ➡️ openai4o_api
💬 评论