python基於萬象優圖識別圖片中的中文

最近一直在研究光學字符識別，即OCR。最開始在谷爹那裏瞭解到了開源的Tesseract，能夠拿來識別簡單的英文和數字。可是識別中文的準確率並不高。

而後從Tesseract到Tesseract.js，通過屢次嘗試研究，最後發現騰訊爹的萬象優圖識別率是最高的。趁如今是公測免費期，趕忙嘗試了一把。

下面來講一說我是怎麼用python實現中文識別的。

首先百度萬象優圖登陸吧，騰訊的。。。大家懂得。。。。進去後，建立一個bucket，而後能夠選擇上傳圖片

 

 

這些準備工做作好之後，就開始寫代碼吧

首先若是是識別身份證，名片，標籤等圖片的話，強烈建議直接使用萬象優圖提供python sdk，詳情請見https://cloud.tencent.com/document/product/460/7991

 

咱們這裏，是作圖片通用印刷體識別，因此就只有被迫用萬象優圖提供的API：（本來我是更喜歡用SDK的，由於簡單，可是目前SDK不支持）

 

萬象優圖OCR接口採用http協議，支持指定圖片URL和 上傳本地圖片文件兩種方式。

根據用戶提供的圖片，返回識別出的字段信息。

接口：http://recognition.image.myqcloud.com/ocr/general

 

這裏有三點須要注意：

(1) 每一個請求的包體大小限制爲6MB。

(2) 全部接口都爲POST方法。

(3) 不支持 .gif這類的多幀動圖。

 

而後我用能夠使用requests模塊來發http請求。

這裏最麻煩的就是要定製請求頭，否則騰訊雲是解析不到的，筆者才疏學淺在這裏研究了一下午才正肯定製出了請求頭。。。。

先來看看請求頭的規則：

參數名	值	描述
Host	recognition.image.myqcloud.com	服務器域名
Content-Length	包體總長度	整個請求包體內容的總長度，單位：字節（Byte）
Content-Type	Application/json或者Multipart/form-data	根據不一樣接口選擇
Authorization	鑑權簽名	用於鑑權的簽名，使用屢次有效簽名。詳情

 

這裏的難點就是這個鑑權簽名，直接點擊表格裏面的詳情去看吧，我這裏不作複製粘貼。

關於請求參數：

使用image則使用 multipart/form-data格式

不使用image則使用 application/json格式

參數名	是否必須	類型	參數說明
appid	必須	string	項目ID
bucket	必須	string	空間名稱
image	可選	binary	圖片內容
url	可選	string	圖片的url,image和url只提供一個便可，若是都提供，只使用url

好了，如今開始正式開始吧

先寫一下請求頭涉及到的變量

而後依次把他們拼接起來

我這裏採用的是單次

 

而後再根據要求進行 HMAC-SHA1加密

這裏強調一下，官方的說法是

根據個人研究，轉換出來的不是二進制，而後我還特地去轉成了二進制。。。。。。發現其實根本不用，轉出來的在pycharm裏面是個亂碼，能夠直接用的

最後，加密的數據和以前的拼接數據再拼在一塊兒作base64轉碼

這樣簽名就完成了，後面的基本不難，主要就是簽名這裏有坑，下面直接上代碼：

 

# coding=utf-8
# /usr/bin/python
# coding=utf-8
# create by 15025463191 2017/10/11

import requests
import hmac
import hashlib
import base64
import time
import random
import re

appid = "1254602529"
bucket = "imgregnise"
secret_id = "AKIDZx72kFVBPRF4324234234o8C1auynPezyl"  #我更改了，不要複製個人
secret_key = "h9NUN1RbZIm11mJbUt2v32432Zx"  #我更改了，不要複製個人
expired = time.time() + 2592000
onceExpired = 0
current = time.time()
rdm = ''.join(random.choice("0123456789") for i in range(10))
userid = "0"
fileid = "tencentyunSignTest"

info = "a=" + appid + "&b=" + bucket + "&k=" + secret_id + "&e=" + str(expired) + "&t=" + str(current) + "&r=" + str(
    rdm) + "&u=0&f="

signindex = hmac.new(secret_key, info, hashlib.sha1).digest()  # HMAC-SHA1加密
sign = base64.b64encode(signindex + info)  # base64轉碼

url = "http://recognition.image.myqcloud.com/ocr/general"
headers = {'Host': 'recognition.image.myqcloud.com',
           "Content-Length": "187",
           "Content-Type": "application/json",
           "Authorization": sign
           }

payload = {
    "appid": appid,
    "bucket": bucket,
    "url": "http://imgregnise-1254602529.picsh.myqcloud.com/123456.png"
}

r = requests.post(url, json=payload, headers=headers)
responseinfo = r.content

r_index = r'itemstring":"(.*?)"'  # 作一個正則匹配
result = re.findall(r_index, responseinfo)
for i in result:
    print i

 

 

 

我這裏用圖片試驗了一次，準備率仍是很高的，就是中間少了一個「餐。」

可是這樣的識別率已是很高了

 最後預祝各類識別成功！