00 前言

       最近做ppt，看到有些图片中的文字内容很好，一张一张地码字很累还很费时间。就想着有空做一个文字识别的小工具，方便办公流程。在网上查了一下资料，百度智能云提供了文字识别的接口，可以直接调用，挺方便的。于是就做了一个小工具，和大家分享一下制作过程。

01 准备

01 -1 虚拟环境

本文所用版本是python3.8.2，新版的python都自带一个创建虚拟环境模块。新建一个工作目录名叫Image2Text。

mkdir Image2Text     //也可以直接用鼠标右键创建文件夹
cd Image2Text        //进入项目文件夹
python -m venv venv     //创建虚拟环境，第一个venv是包名，第二个是创建虚环境名字（可以用项目名）

 然后在venv文件夹下我们看到如下的目录，虚拟环境激活后才能使用，激活的脚本在Scripts里面。

 于是，我们进到Scripts文件夹里面，执行激活脚本。使用activate激活（使用deactivate.bat 退出）。

01 -2 安装依赖

其中PySide2是做界面的。baidu-aip 是调用的百度的文字识别接口，是主要功能。

 pip3 install PySide2pip install baidu-aip

 

注：之前使用pyQt5出现了qt.qpa.plugin: Could not find the Qt platform plugin "windows"这个问题，然后用pip3 install PySide2下载PySide2，并修改了路径。

01 -3 图片识别SDK

根据百度的文本识别SDK介绍（https://ai.baidu.com/ai-doc/OCR/Dk3h7yf8m），我们需要注册百度智能云的账户，并在安全中心获取API_KEY(对应百度智能云的“Access Key ID”）和SECRET_KEY(对应百度智能云的“Access Key Secret”）。

02 开始

02-1 调用接口测试

百度文本识别的接口很丰富，有通用文本识别、包含位置信息的文本识别、驾照识别等等。我这里面用的是通用的文本识别，首先，新建一个orc_util.py文件引用接口并说明认证信息。

from aip import AipOcr
# 添加认证信息，这里面的api密钥和secret密钥可以去百度智能云免费申请
APP_ID = ''
API_KEY = 'd7a50f1938xxxxxxxxxx5277a51e23'
SECRET_KEY = 'e6ca46bdxxxxxxxxxxxx053cf288b'

 然后，我们定义一个获取图片的方法。

def get_ocr_str(file_path, origin_format=True):"""获取图片比特流:param file_path: 图片路径:return: 函数get_ocr_str_from_bytes（）的结果"""with open(file_path, 'rb') as fp:file_bytes = fp.read()return get_ocr_str_from_bytes(file_bytes, origin_format)

 然后定义一个转换方法，设置options参数（不检测文本方向，语言模式为中英文），实例化一个AipOcr类，调用basicGeneral()接口。通用文字识别的请求参数见表1，通用文字识别的返回参数见表2。

def get_ocr_str_from_bytes(file_bytes, origin_format=True):"""图片转文字:param file_bytes: 图片的字节:return: result_str"""options = {'detect_direction': 'false','language_type': 'CHN_ENG',}ocr = AipOcr(APP_ID, API_KEY, SECRET_KEY)result_dict = ocr.basicGeneral(file_bytes, options)if origin_format:result_str = '\n'.join([entity['words'] for entity in result_dict['words_result']])else:result_str = ''.join([entity['words'] for entity in result_dict['words_result']])return result_str

表1  通用文字识别，请求参数

参数名称	是否必选	类型	可选值范围	默认值	说明
image	是	string			图像数据，base64编码，要求base64编码后大小不超过4M，最短边至少15px，最长边最大4096px,支持jpg/png/bmp格式
url	是	string			图片完整URL，URL长度不超过1024字节，URL对应的图片base64编码后大小不超过4M，最短边至少15px，最长边最大4096px,支持jpg/png/bmp格式，当image字段存在时url字段失效
language_type	否	string	CHN_ENG ENG POR FRE GER ITA SPA RUS JAP KOR	CHN_ENG	识别语言类型，默认为CHN_ENG。可选值包括： - CHN_ENG：中英文混合； - ENG：英文； - POR：葡萄牙语； - FRE：法语； - GER：德语； - ITA：意大利语； - SPA：西班牙语； - RUS：俄语； - JAP：日语； - KOR：韩语；
detect_direction	否	string	true false	false	是否检测图像朝向，默认不检测，即：false。朝向是指输入图像是正常方向、逆时针旋转90/180/270度。可选值包括: - true：检测朝向； - false：不检测朝向。
detect_language	否	string	true false	false	是否检测语言，默认不检测。当前支持（中文、英语、日语、韩语）
probability	否	string	true false		是否返回识别结果中每一行的置信度

表2 通用文字识别，返回参数

字段	必选	类型	说明
direction	否	number	图像方向，当detect_direction=true时存在。 - -1:未定义， - 0:正向， - 1: 逆时针90度， - 2:逆时针180度， - 3:逆时针270度
log_id	是	number	唯一的log id，用于问题定位
words_result_num	是	number	识别结果数，表示words_result的元素个数
words_result	是	array	定位和识别结果数组
+words	否	string	识别结果字符串
probability	否	object	行置信度信息；如果输入参数 probability = true 则输出
+average	否	number	行置信度平均值
+variance	否	number	行置信度方差
+min	否	number	行置信度最小值

然后，定义主函数开始测试吧。

if __name__ == '__main__':IMAGE_PATH = "test.jpg"print(get_ocr_str(IMAGE_PATH))

我们的测试图是这样的，测试的时候直接截的cmd命令行的报错信息，命名为test然后保存在当前的目录下。

cmd命令行运行结果如下 ，我们可以看到识别结果还是不错的，并且还保留了原格式。emm, 那么开始做界面吧。

 

02-2 界面编写

       ok，我们要开始编写界面了, 我这边使用的是PySide2，打算后期再美化一下。也可以使用python自带的tkinter。好了，我们新建一个MainUi.py文件。同样，引入需要的包，设置一个全局的资源变量（等待转换时的图标）。

        中间遇到过一个问题，最开始运行MainUi.py文件的时候，提示找不到Qt插件，也就是qt.qpa.plugin: Could not find the Qt platform plugin "windows"这个问题，然后找到了如下的解决方式。

import sys
import PySide2
import os
'''
#添加PySide2路径,为了解决qt.qpa.plugin: Could not find the Qt platform plugin "windows"这个问题；
#也可以修改文件"C:\Applications\WinPython-64bit-3.6.3.0Qt5\python-3.6.3.amd64\Lib\site-packages\PySide2_init_.py" ，作者用的是WinPython ，dirname = os.path.dirname(__file__)plugin_path = os.path.join(dirname, 'plugins', 'platforms')os.environ['QT_QPA_PLATFORM_PLUGIN_PATH'] = plugin_path
'''
dirname = os.path.dirname(PySide2.__file__)
plugin_path = os.path.join(dirname, 'plugins', 'platforms')
os.environ['QT_QPA_PLATFORM_PLUGIN_PATH'] = plugin_path
import ocr_util
import threading
from PySide2 import QtWidgets
from PySide2.QtCore import Signal,Slot
from PySide2.QtGui import QMovie,QPixmap,QIcon#设置资源变量
LOADING_GIF_URL = './asset/file.png'

然后定义一个类，设置一个信号量，用于连接返回的识别结果，并显示到文本框中。 

class MainUi(QtWidgets.QMainWindow):signal_response = Signal(str)def __init__(self):super().__init__()self.init_ui()

 定义一个初始化方法，添加两个布局，一个用来放文本框，一个用来放按钮，截取图片功能没有实现哦，打算后面做的。

def init_ui(self):#初始化一个窗口,主界面采用固定大小，网格布局self.setMinimumSize(800,500)self.main_widget = QtWidgets.QWidget()  # 创建窗口主部件self.main_layout = QtWidgets.QGridLayout()  # 创建主部件的网格布局self.main_widget.setLayout(self.main_layout)  # 设置窗口主部件布局为网格布局#添加上下两个widget，布局用self.up_widget = QtWidgets.QWidget()  # 创建部件self.up_widget.setObjectName('up_widget')self.up_layout = QtWidgets.QGridLayout()  # 创建部件的网格布局层self.up_widget.setLayout(self.up_layout) # 设置部件布局为网格self.down_widget = QtWidgets.QWidget() self.down_widget.setObjectName('down_widget')self.down_layout = QtWidgets.QGridLayout()self.down_widget.setLayout(self.down_layout) #添加上下两个widget到主部件中self.main_layout.addWidget(self.up_widget,0,0,6,8) # 上侧部件在第0行第0列，占4行8列self.main_layout.addWidget(self.down_widget,6,0,2,8) # 下侧部件在第6行第0列，占2行8列self.setCentralWidget(self.main_widget) # 设置窗口主部件#添加图片按钮和截取图片按钮self.add_pic = QtWidgets.QPushButton("添加图片")self.add_pic.setObjectName('add_pic')self.add_pic.clicked.connect(self.on_add_pic_clicked)#连接点击事件self.cap_pic = QtWidgets.QPushButton("截取图片")self.cap_pic.setObjectName('cap_pic')#添加按钮到下widget中self.down_layout.addWidget(self.add_pic,6,1,1,1)self.down_layout.addWidget(self.cap_pic,6,5,1,1)#添加文本框用来显示识别的文字self.textEdit = QtWidgets.QTextEdit('说明：图片格式要求不超过4M，最短边至少15px，最长边最大4096px，支持jpg/png/bmp格式')self.textEdit.setReadOnly(True)#文本框设为不可编辑self.up_layout.addWidget(self.textEdit,0,0,6,8)self.init_loading_gif()self.signal_response.connect(self.__slot_http_response)#连接信号和槽函数，将结果显示在文本框中

     由于文字识别的时候还是有2秒左右的检测时间的，所以添加了一个等待的图片，发现用.png格式的图片就可以显示，用.gif格式的文件就不能显示，很奇怪。

 def init_loading_gif(self):"""初始化loading动画:return:"""gif = QMovie(LOADING_GIF_URL)gif.start()x, y = 275, 110self.loadingLabel = QtWidgets.QLabel(self)self.loadingLabel.setMovie(gif)self.loadingLabel.adjustSize()self.loadingLabel.setGeometry(x, y, self.loadingLabel.width(), self.loadingLabel.height())self.loadingLabel.setVisible(False)

 点击按钮事件，打开文件对话框，获取文件路径，然后清空文本框内容，准备显示识别结果，并调用run_ocr_async()方法。

    @Slot()def on_add_pic_clicked(self):#点击添加图片dialog = QtWidgets.QFileDialog()#生成文件对话框对象dialog.setFileMode(QtWidgets.QFileDialog.AnyFile)#设置文件过滤器，这里是任意文件，设置参考https://www.jianshu.com/p/4b297a825a04file_urls = dialog.getOpenFileNames()[0]#获取文件名称if len(file_urls) > 0:self.textEdit.clear()for img_full_path in file_urls:if img_full_path is None or img_full_path == '':continuewith open(img_full_path, 'rb') as fp:file_bytes = fp.read()self.run_ocr_async(file_bytes)

等待的时候让等待的图片显示出来，然后调用我们之前编写的图片识别函数返回信号量，并将信号量传递给槽函数，显示在文本框中。

    def run_ocr_async(self, image_bytes):self.loadingLabel.setVisible(True)threading.Thread(target=self.job_ocr, args=(image_bytes,)).start()def job_ocr(self, image_bytes):result = ''try:result = ocr_util.get_ocr_str_from_bytes(image_bytes)finally:self.signal_response.emit(result)@Slot(str)def __slot_http_response(self, result):self.textEdit.append(result)self.textEdit.setReadOnly(False)#文本框设为可编辑self.loadingLabel.setVisible(False)

 MainUi类定义好了，开始编写main函数，并使用。

def main():app = QtWidgets.QApplication(sys.argv)gui = MainUi()gui.show()sys.exit(app.exec_())if __name__ == '__main__':main()

02-3 完成

运行一下，看看成果吧。

 打开文件。

ok,识别文字显示的也不错。后期界面功能再完善一下就好了。 

 

03 未解决的问题

添加等待动画的时候，发现用.png格式的图片就可以显示，用.gif格式的文件就不能显示，很奇怪。有了解的兄弟还望赐教。