首先我选用的是别人做好的ORC软件，我先尝试了用一些老版的公司的ORC软件，但发现都差强人意，后来找到一款手机上的白描APP，发现识别率十分高，大概能到99%，于是我就用这个软件来将文字从图片中识别出来。
手机只要与台式机在同一wifi，就可以在台式机上打开了个本地网址，每次拖入50张图片进行识别。后来该APP又新增了个网站，可以在线识别，这时通过调出浏览器的开发者工具，我才知道其实这软件调用的是有道的文字识别API。单独识别1页时，正确率极高，但我有20几本书，有近一万页，这1%也就比较可观了，于是我就边识别边向软件方报告需要改正的地方。
但是等着别人去改，并且我知道他是调的别人的API，那我不如自己编个程序来调用，这次我选用的是百度大脑里的通用文字识别，原因就是上面写的每天免费调用50000次-_-。
我这段代码的作用是从指定的path里读取所有jpg文档，将其提交给百度API识别，然后返回文字，然后将其生成docx文档（所有内容放到一个文档中），生成docx时，可用模版文件来生成，也可使用默认模版文件，只需要在doc = Document()这不填入templateFile即可。
from aip import AipOcrimport osfrom docx import Documentclass BiduOrc(): # 这几个key需要到百度去自己生成 def __init__(self): APP_ID = '' API_KEY = '' SECRET_KEY = '' self.client = AipOcr(APP_ID, API_KEY, SECRET_KEY) # 无参数识别 def imgLocalOrc(self,imgFile): image = self.get_file_content(imgFile) return self.client.basicGeneral(image) # 带参数的识别 def imgLocalOrcParam(self,imgFile): image = self.get_file_content(imgFile) """ 如果有可选参数 """ options = {} options["language_type"] = "CHN_ENG" options["detect_direction"] = "false" options["detect_language"] = "false" options["probability"] = "true" """ 带参数调用通用文字识别, 图片参数为本地图片 """ return self.client.basicGeneral(image, options) # 读取图片 def get_file_content(self,imgFile): with open(imgFile, 'rb') as fp: return fp.read()if __name__ == '__main__':# 最后保存的文件名 saveFile = os.path.join(os.getcwd(),"文档/儿科护理学(baiduorc).docx")# 模版文件名 templateFile = os.path.join(os.getcwd(),"template/模版.docx")# 要识别的图片所在的位置，至于图片是如何生成的，请见本系列第2部分 path = "K:/tk/职称考试/资料/jpg/aa/" startNumber = 0# 有时识别会中断，方便断点继识 index = 0 # 实例化对象 obj = BiduOrc() # 新建docx doc = Document(templateFile)# 遍历jpg图片 for file in os.listdir(path): try: if index<startNumber: index += 1 print("跳过 {}".format(file)) continue # 判断是否为jpg文件 if file[-3:] != "jpg": continue # 得到图片文件路径 imgFile = os.path.join(path,file) # 调用实例对象的imgLocalOrc方法识别文本 orctext = obj.imgLocalOrc(imgFile) # 得到识别文本的字符串形式 paras_text = "\n".join([row["words"].strip() for row in orctext["words_result"] if len(row["words"].strip()) > 0])# 将字符串添加到docx中 doc.add_paragraph(paras_text.strip()) print("正在识别 {}".format(file)) except: break doc.save(saveFile) print("保存完成：{}".format(saveFile))
由于有时会中断，那第二次再识别时，可能会将第一次的文件覆盖，所以可以在最后准备保存文件时对saveFile变量判断该文件是否存在，如果存在，则另外换个文件名，可以在后面随机一个数字。
这样就有了我们自己的文字识别的皮包公司了，哈哈，方便以后的一些处理，在此要感谢百度这样的大公司，提供了现成的功能给我们使用。
