调用Umi-OCR文字识别

离线环境python调用文字识别，先安装的是tesseract，安装和使用都很方便，但缺点是中文识别率略低，对图片质量要求较高，离线办公环境的截图信息质量一般，因此识别率偏低，而且由于不同图片的背景相差较大，需要设定不同的图片预处理参数，非常麻烦。 昨天在网上发现一个OCR文字识别软件，Umi-OCR，环境部署都是打包做好的，可以说是开箱即用。这里记录一下安装使用过程。

1. 系统需求: #

Windows7 x64 及以上

2. 版本选择 #

目前直接下载的有两个版本：Paddle版和RapidOCR版，安装后可以发现这个版本的最终形式是Paddle或Rapid引擎是在插件文件夹内：UmiOCR-data/plugins​。因为Umi-OCR (v2 以上)支持以插件的形式导入 OCR 引擎等组件，不过不同的插件对硬件有不同的需求，识别速度、识别率以及系统占用情况都不一样，可以根据硬件情况和需求下载不同插件，下载后解压即可，具体内容参见：GitHub - hiroi-sora/Umi-OCR_plugins: Umi-OCR 插件库。截止至：2024-03-28版本号为：Umi-OCR v2.1.0​

3. 下载地址 #

• 蓝奏云 https://hiroi-sora.lanzoul.com/s/umi-ocr
• GitHub https://github.com/hiroi-sora/Umi-OCR/releases/latest
• Source Forge https://sourceforge.net/projects/umi-ocr

4. 安装使用 #

软件发布包下载为 .7z 压缩包或 .7z.exe 自解压包。自解压包可在没有安装压缩软件的电脑上，解压文件。
本软件无需安装。解压后，点击 Umi-OCR.exe 即可启动程序，或者点击主文件包中的bat运行也可。

5. 界面介绍 #

这里就略过，作者作了详细的介绍。具体参看：Umi-OCR: Umi-OCR 是一款免费、开源、可批量的离线 OCR 软件，基于 PaddleOCR，适用于 Windows10/11 平台 - Gitee.com

6. 调用 #

我这里使用python调用，取代tesseractOCR，不想折腾开发，因此直接使用了HTTP接口方式调用。

6.1 HTTP接口的前提条件 #

在全局设置里，必须允许HTTP服务才能使用HTTP接口（默认开启）。如果需要允许被局域网访问，请将主机切换到任何可用地址​。 在全局设置页中勾选高级​才会显示。 缺点：由于目前的一些缺陷，如果Umi-OCR关闭时仍有用户未断开HTTP接口连接，可能导致Umi-OCR关闭不完全（UI线程结束了，但负责网络的子线程未被关闭）。这时只能等待所有用户关闭连接，或者进任务管理器强制结束进程。当前此缺陷版本：Umi-OCR v2.1.0​

6.2 调用代码 #

首先需要将图片转换为base64，再用HTTP接口调用文字识别。

import requests
import json
import base64

# 图片转base64
with open(r"d:\文档\Desktop\auto\my_screenshot1.png", "rb") as f:
    base64_data = base64.b64encode(f.read()).decode()
# print(base64_data)

url = "http://127.0.0.1:1224/api/ocr"
data = {
    "base64": base64_data,
    # 可选参数
    "options": {
        # 通用参数
        "tbpu.parser": "single_code",
        "data.format": "text",
        # 引擎参数
        "ocr.cls": False,
        "ocr.language": "models/config_chinese.txt",
        "ocr.maxSideLen": 1024
    } # type: ignore
    # Paddle引擎模式
    # "options": {
    #     "ocr.language": "models/config_chinese.txt",
    #     "ocr.cls": False,
    #     "ocr.limit_side_len": 960,
    #     "tbpu.parser": "multi_para",
    #     "data.format": "text",
    # }
    # Rapid引擎模式
    # "options": {
    #     "ocr.language": "简体中文",
    #     "ocr.angle": False,
    #     "ocr.maxSideLen": 1024,
    #     "tbpu.parser": "multi_para",
    #     "data.format": "text",
    # }
}
headers = {"Content-Type": "application/json"}
data_str = json.dumps(data)
response = requests.post(url, data=data_str, headers=headers)
if response.status_code == 200:
    res_dict = json.loads(response.text)
    #若"data.format": "txet",返回识别结果,表示去掉位置信息，仅输出识别结果
    print("返回值字典\n", res_dict["data"])
    #若"data.format": "dict",返回全部识别结果，为字典，包含位置信息，匹配度等信息，循环输出识别结果
    # for i in res_dict["data"]:
    #     print(i["text"])

#以下为转化为excel表格并写入excel
import pandas as pd 
import numpy as np 
data=res_dict
data=data['data'].split('\n')
data=pd.Series(data)
#data每行按空格分割，并删除空行
data=data[data!='']
data=data.str.split(pat=None, n=-1, expand=True)
print(data)
#data转为dataframe
df=pd.DataFrame(data)
df.to_excel('data.xlsx',index=False,header=False)

6.3 代码的解释： #

​options​ 中有两部分参数：通用参数 和 引擎参数 。 通用参数 ：是在任何情况下都适用的，选项：

• ​data.format​ ：数据返回格式。返回值字典中，[“data”]​ 按什么格式表示OCR结果数据。可选值（字符串）：
  • ​dict​：含有位置等信息的原始字典（默认）
  • ​text​：纯文本
• ​tbpu.parser​ ：排版解析方案。可选值（字符串）：
  • ​multi_para​：多栏-按自然段换行（默认）
  • ​multi_line​：多栏-总是换行
  • ​multi_none​：多栏-无换行
  • ​single_para​：单栏-按自然段换行
  • ​single_line​：单栏-总是换行
  • ​single_none​：单栏-无换行
  • ​single_code​：单栏-保留缩进，适用于解析代码截图
  • ​none​：不做处理 引擎参数 ：对于加载不同引擎插件时，可能有所不同。完整参数说明请通过 get_options 接口查询。以下是一些示例(自用的是paddle引擎因此只介绍此)：

• ​[“data”]​为string，内容为错误原因。例： {“code”: 902, “data”: “向识别器进程传入指令失败，疑似子进程已崩溃”}​ 识别成功（code==100​）时，如果options中data.format​为dict​（默认值）：
• ​[“data”]​为list，每一项元素为dict，包含以下子元素：

• ​[“data”]​为string，即所有OCR结果的拼接。

7. 优缺点 #

优点是安装使用方便，识别效率高。 缺点就是系统占用太大，但可以通过全局设置里对软件的占用做一定限制：线程数限和内存占用设置上限，避免系统开销过大。