百度文字识别API - 李理的博客

本文介绍通过百度的文字识别API来进行OCR，把前面用Pdfbox得到的图片变成文字。

注册
API简介
Java SDK的用法

前面我们已经把PDF的每一页都变成了图片，接下来就是要使用OCR技术从图片中识别文字了。我们首先使用最简单的方式——调用API。目前有很多AI的云服务提供OCR，我们这里使用百度的API。

注册

第一步是注册账号。可以在这里注册。登录后还需要创建一个应用，可以在这里创建，创建的时候记得选上OCR的API，当然还有很多其它API，比如语音识别与合成的、图像识别的和自然语言处理的。创建后有APP_ID，API_KEY和SECRET_KEY，这3个值在调用api时会用到。如下图所示。

图：百度API的账号

API简介

完整的API文档在这里，有兴趣的读者了解一些就行，这些都是REST的接口，调用前还需要先获得Token，另外传递图片参数还要BASE64编码等等，这比较繁琐和容易出错。因此我们通常使用百度提供的SDK(client)，不同的语言都有相应的client，我们这里介绍Java SDK怎么调用OCR接口。

在使用前需要了解一下调用的限制，免费的调用是有限制的。目前的免费限额如下图所示：

图：百度API的限额

【通用文字识别】的调用限制是每天5万次，但是作者试了一下，通用文字识别的效果不是太好(但还凑合，肉眼看大概80%左右的准确率)。

【通用文字识别（高精度版）】的效果好很多，但是每天只能调用500次。不过对于作者来说也差不多了，跑个十来天就可以了。

但是作者还需要每一行文字的位置和字体大小等信息，因为后续处理需要对文字进行分析，提取标题。提取标题很重要的特征就是位置和大小，因为标题的文字通常比正文大，而且通常出现在某页的靠上的位置。

【通用文字识别（高精度含位置版）】包含位置信息，但是每天只能调用50次，作者像转换的文字大概在三四千页，用这个太慢。

【通用文字识别（含位置信息版）】的效果和通用文字识别一样，但是包含位置信息，每天的限额也是500次。因此可以把【通用文字识别（含位置信息版）】+ 【通用文字识别（高精度版）】结合起来。它们的次数都是500次，前者不准确但是包含位置信息，后者准确但是没有位置信息，结合起来就可以得到比较准确而且有位置信息的结果。

Java SDK的用法

我们只需要在maven的依赖里加入：

<dependency>
	<groupId>com.baidu.aip</groupId>
	<artifactId>java-sdk</artifactId>
	<version>4.10.0</version>
</dependency>

public class TestOcr {
	public static final String APP_ID = "你的APP_ID";
	public static final String API_KEY = "你的APP_KEY";
	public static final String SECRET_KEY = "你的SECRET_KEY";

	public static void main(String[] args) {
		AipOcr client = new AipOcr(APP_ID, API_KEY, SECRET_KEY);

		// 可选：设置网络连接参数
		client.setConnectionTimeoutInMillis(2000);
		client.setSocketTimeoutInMillis(60000);

		// 可选：设置代理服务器地址, http和socket二选一，或者均不设置
		//client.setHttpProxy("proxy_host", proxy_port); // 设置http代理
		//client.setSocketProxy("proxy_host", proxy_port); // 设置socket代理

		// 可选：设置log4j日志输出格式，若不设置，则使用默认配置
		// 也可以直接通过jvm启动参数设置此环境变量
		//System.setProperty("aip.log4j.conf", "path/to/your/log4j.properties");

		// 调用接口
		String path = "/home/lili/data/test2-10.png";
		// 这是【通用文字识别】接口
		//JSONObject res = client.basicGeneral(path, new HashMap<String, String>());
		// 这是【通用文字识别（高精度版）】
		//JSONObject res=client.basicAccurateGeneral(path, new HashMap<>());
		// 这是【通用文字识别（高精度含位置版）】，每天50次
		//JSONObject res=client.accurateGeneral(path, new HashMap<>());
		// 这是【通用文字识别（含位置信息版）】
		JSONObject res=client.general(path, new HashMap<>());
		System.out.println(res.toString(2));
	}

}

【通用文字识别（含位置信息版）】的结果如下，它包含位置信息，但是识别效果一般，这里我们看到”时间”识别成了”寸间”。

    {
      "words": "我写小说,是断断续续的,一阵一阵的。开始写作的",
      "location": {
        "top": 635,
        "left": 227,
        "width": 855,
        "height": 45
      }
    },
    {
      "words": "寸间倒是颇早的。第一篇作品大约是一九四(年发表",
      "location": {
        "top": 687,
        "left": 169,
        "width": 913,
        "height": 41
      }
    },

下面是【通用文字识别（高精度版）】识别结果，我们可以看到”时间”被正确识别了。

    {"words": "我写小说,是断断续续的,一阵一阵的。开始写作的"},
    {"words": "时间倒是颇早的。第一篇作品大约是一九四年发表"},

因此我们可以把这两者结合起来，使用前者的位置信息和后者的文字。这样每天可以调用500次。

FEATURED TAGS

人工智能深度学习 chatbot PyTorch Java BERT git 编程 OCR 汪曾祺语音识别 Kaldi Linux XLNet 情感分析 sentiment analysis 语法纠错 Transformer Tensorflow Huggingface Ubuntu TensorFlow 深度学习框架 Tensor2Tensor 机器翻译微信 wechat automation selenium webdriver pywinauto CentOS GPU Appium t2t 代码阅读中英翻译公众号爬虫 ocr tesseract pytesseract python 默认参数位置参数 VPN JSON Jackson huggingface PagedAttention vLLM Pre-training LLM CPT weather forecasting graph neural networks qlora quantization transformers cmake pip pipenv conda padding vscode debug source code build Speech ASR linux pytorch extension

FRIENDS

Li Li