接入百度大脑表格文字识别技术，快速降低信息电子化录入成本

Posted 2021-03-25 aiboom

使用表格文字识别技术，对个人、商品、公示内容等纸质信息登记表进行识别，快速实现表格内容的电子化，用于登记信息的结构化整理和统计，大幅度降低信息电子化工作的人力录入成本，提升信息管理的便捷性

一．平台接入

此步骤比较简单，不多阐述。可参照之前文档：

https://ai.baidu.com/forum/topic/show/943162

二.分析接口文档

1.打开API文档页面，分析接口要求

https://ai.baidu.com/docs#/OCR-API/87932804

   (1)接口描述

对图片中的表格文字内容进行提取和识别，结构化输出表头、表尾及每个单元格的文字内容。支持识别常规表格及含合并单元格表格，并可选择以JSON或Excel形式进行返回。

(2)请求说明

需要用到的信息有：

请求URL：https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request

Header格式：Content-Type：application/x-www-form-urlencoded

Body中放置请求参数，参数详情如下：

本接口为异步接口，分为两个API：提交请求接口、获取结果接口。这里有一个关键参数：is_sync，取值为“false”，需通过获取结果接口获取识别结果；取值为“true”，同步返回识别结果，无需调用获取结果接口。当然，能一次搞定的绝不用两次，只需设置该参数为“true”即可。

（3）返回参数                               

返回示例

{"result":

{"result_data":"http://bj.bcebos.com/v1/ai-edgecloud/4F00EC7AED4E4827BD517CB105E56DEB?authorization=bce-auth-v1%2Ff86a2044998643b5abc89b59158bad6d%2F2019-08-10T07%3A28%3A13Z%2F172800%2F%2F374c64232876bcbe78a54105e438a97376f530788e5386e04f67d0cba4935f3d",

"ret_msg":"xe5xb7xb2xe5xaex8cxe6x88x90",

"percent":100,

"ret_code":3},

"log_id":1565422091617865}

2.获取access_token

# encoding:utf-8

import base64

import urllib

import urllib2



request_url = " https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request "

# 二进制方式打开视频文件

f = open(‘[本地文件]‘, ‘rb‘)

img = base64.b64encode(f.read())

params = {"data": data }

params = urllib.urlencode(params)

access_token = ‘[调用鉴权接口获取的token]‘

request_url = request_url + "?access_token=" + access_token

request = urllib2.Request(url=request_url, data=params)

request.add_header(‘Content-Type‘, ‘application/x-www-form-urlencoded‘)

response = urllib2.urlopen(request)

content = response.read()

if content:

print content

三.识别结果

1.

识别结果：

2.

识别结果：

 3.

识别结果：

4.

识别结果：

结论：

识别结果方面：采用不同形式的复杂表格进行测试，识别结果比较准确，能够大大减少信息录入工作。

处理速度方面：每张图片处理时间在3-5s，可以接受。

四.源码共享

# -*- coding: utf-8 -*-

#!/usr/bin/env python

import urllib

import urllib.parse

import urllib.request

import base64

import json

import time

#client_id 为官网获取的AK， client_secret 为官网获取的SK

client_id = ‘*******************‘

client_secret = ‘*********************‘



#获取token

def get_token():

    host = ‘https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=‘ + client_id + ‘&client_secret=‘ + client_secret

    request = urllib.request.Request(host)

    request.add_header(‘Content-Type‘, ‘application/json; charset=UTF-8‘)

    response = urllib.request.urlopen(request)

    token_content = response.read()

    if token_content:

        token_info = json.loads(token_content.decode("utf-8"))

        token_key = token_info[‘access_token‘]

    return token_key



     # 读取图片

def get_file_content(filePath):

    with open(filePath, ‘rb‘) as fp:

        return fp.read()





#获取表格信息

def get_license_plate(path):



    request_url = "https://aip.baidubce.com/rest/2.0/solution/v1/form_ocr/request"

   

    f = get_file_content(path)

    access_token=get_token()

    print (access_token)

    img = base64.b64encode(f)

#    params = {"image": img,"is_sync": ‘true‘,"request_type": ‘json‘}

    params = {"image": img,"is_sync": ‘true‘,"request_type": ‘excel‘}

    params = urllib.parse.urlencode(params).encode(‘utf-8‘)

    request_url = request_url + "?access_token=" + access_token

    tic = time.clock()

    request = urllib.request.Request(url=request_url, data=params)

    request.add_header(‘Content-Type‘, ‘application/x-www-form-urlencoded‘)

    response = urllib.request.urlopen(request)

    content = response.read()

    toc = time.clock()

    print(‘处理时长: ‘+‘%.2f‘  %(toc - tic) +‘ s‘)

    if content:

        print (content)

        license_plates = json.loads(content.decode("utf-8"))

        excel_url = license_plates[‘result‘][‘result_data‘]

        excel = urllib.request.urlopen(excel_url)

        with open("sbg.xls", "wb") as code:

            code.write(excel.read())

        return content

    else:

        return ‘‘



image_path=‘F:paddlesbgs6.jpg‘

get_license_plate(image_path)

五.意见建议

1.整体识别效果还是不错的，识别结果的精确度还有待提高，细节处理还可以更完善。比如复杂表格识别文字串行，个别文字丢失或错误等。

2.对表格中有手写体文字的识别效果不好，建议增加对手写输入的识别。

作者：wangwei8638