Umi-OCR：如何用命令行和HTTP API实现无界面OCR自动化

Umi-OCR如何用命令行和HTTP API实现无界面OCR自动化【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片PDF文档识别排除水印/页眉页脚扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR你是否厌倦了每次使用OCR时都要手动打开软件界面、截图、等待识别的繁琐流程是否希望将OCR能力无缝集成到你的自动化脚本、批处理任务或应用程序中Umi-OCR的开源离线OCR软件提供了强大的无界面服务化功能让你能够通过命令行和HTTP API实现真正的OCR自动化工作流。本文将详细介绍如何利用Umi-OCR的自动化能力构建高效、可靠的文本识别解决方案。核心优势为什么选择Umi-OCR进行自动化Umi-OCR作为一款开源免费的离线OCR软件在自动化集成方面具有独特优势。首先它完全离线运行无需网络连接保障了数据隐私和安全。其次支持多国语言库包括简体中文、繁体中文、英语、日语、韩语和俄语等满足国际化需求。最重要的是它提供了完整的命令行接口和HTTP API让你可以轻松地将OCR功能嵌入到各种应用场景中。批量处理能力是Umi-OCR的一大亮点如上图所示软件界面清晰地展示了多图片同时OCR的处理进度每张图片的耗时和准确率一目了然。这种批量处理能力通过命令行和API同样可以实现大大提升了工作效率。快速部署三种服务启动方式Umi-OCR的服务化部署极其简单无需复杂的配置即可快速启动。以下是三种常用的启动方式基础服务模式最简单的启动方式使用默认配置即可Umi-OCR.exe --server服务启动后默认监听本地端口1224你可以通过访问http://127.0.0.1:1224来验证服务是否正常运行。自定义端口启动如果需要与其他服务共存可以指定自定义端口Umi-OCR.exe --server --port 8080静默后台模式完全隐藏界面仅作为后台服务运行Umi-OCR.exe --server --hide启动服务后Umi-OCR会以HTTP服务器的形式运行提供完整的RESTful API接口。你可以在全局设置中配置服务端口和访问权限确保服务安全可靠。核心API接口详解Umi-OCR提供了丰富的HTTP API接口覆盖了从图片识别到文档处理的完整功能链。这些接口设计简洁明了易于集成。图片识别接口图片识别是Umi-OCR最核心的功能支持Base64格式的图片输入和多种输出格式。参数查询接口让你可以动态获取当前可用的配置选项import requests # 查询可用参数 response requests.get(http://127.0.0.1:1224/api/ocr/get_options) options response.json() print(可配置参数:, options)Base64图片识别接口支持灵活的配置选项import base64 import requests def recognize_image(image_path): # 读取图片并转换为Base64 with open(image_path, rb) as image_file: base64_data base64.b64encode(image_file.read()).decode(utf-8) # 准备请求参数 payload { base64: base64_data, options: { ocr.language: models/config_chinese.txt, data.format: text, # 返回纯文本格式 tbpu.parser: multi_para # 多栏按自然段换行 } } # 发送识别请求 response requests.post( http://127.0.0.1:1224/api/ocr, jsonpayload ) if response.status_code 200: result response.json() if result[code] 100: return result[data] # 识别结果 else: print(f识别失败: {result}) else: print(f请求失败: {response.status_code}) return None上图展示了Umi-OCR的截图OCR功能识别结果实时显示并提供丰富的交互选项。通过API接口你可以获得同样的识别能力并将结果直接集成到你的应用中。二维码识别与生成Umi-OCR不仅支持文字识别还提供了二维码的读取和生成功能import requests import base64 # 二维码识别 def read_qrcode(image_path): with open(image_path, rb) as file: base64_data base64.b64encode(file.read()).decode(utf-8) response requests.post( http://127.0.0.1:1224/api/qrcode, json{base64: base64_data} ) result response.json() if result[code] 100: return result[data] return None # 二维码生成 def create_qrcode(text, output_path): response requests.post( http://127.0.0.1:1224/api/qrcode/text, json{text: text} ) if response.status_code 200: with open(output_path, wb) as f: f.write(response.content) return True return False命令行自动化无需编程的OCR集成对于不熟悉编程的用户Umi-OCR提供了完整的命令行接口让你可以通过简单的命令实现OCR功能。基本OCR命令# 鼠标截屏识别 umi-ocr --screenshot # 粘贴剪贴板图片识别 umi-ocr --clipboard # 指定图片路径识别 umi-ocr --path D:/screenshot.png # 批量处理文件夹中的所有图片 umi-ocr --path D:/images_folder输出结果控制# 复制到剪贴板 umi-ocr --screenshot --clip # 输出到文件覆盖 umi-ocr --screenshot --output result.txt # 输出到文件追加 umi-ocr --screenshot --output_append log.txt高级命令行功能Umi-OCR支持更复杂的命令行操作包括范围截屏和二维码处理# 范围截屏截取第1个显示器的全屏 umi-ocr --screenshot screen0 # 范围截屏截取指定区域 umi-ocr --screenshot screen0 rect50,100,300,200 # 二维码识别 umi-ocr --qrcode_read D:/qrcode.png # 二维码生成 umi-ocr --qrcode_create https://example.com D:/output.pngUmi-OCR的多语言支持如上图所示界面可以切换为简体中文、日语等多种语言。这种国际化支持同样体现在OCR识别能力上你可以根据需要选择不同的语言模型。实用应用场景5种自动化集成方案场景1文档批量处理流水线对于需要处理大量扫描文档的企业可以构建自动化的OCR流水线import os import shutil from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler class OCRFileHandler(FileSystemEventHandler): def __init__(self, ocr_processor): self.ocr_processor ocr_processor self.processed_dir processed os.makedirs(self.processed_dir, exist_okTrue) def on_created(self, event): if not event.is_directory and event.src_path.lower().endswith((.png, .jpg, .pdf)): print(f新文件检测到: {event.src_path}) # 处理文件 result self.ocr_processor.process(event.src_path) # 移动已处理文件 shutil.move(event.src_path, os.path.join(self.processed_dir, os.path.basename(event.src_path))) print(f文件处理完成: {result}) # 监控文件夹并自动处理 def start_folder_monitor(folder_path): ocr_processor OCRProcessor() event_handler OCRFileHandler(ocr_processor) observer Observer() observer.schedule(event_handler, folder_path, recursiveFalse) observer.start() return observer场景2实时屏幕监控与识别对于需要实时监控屏幕内容的场景如自动化测试或内容审核import time import pyautogui import threading class ScreenMonitor: def __init__(self, interval5, regionNone): self.interval interval self.region region self.running False self.ocr_client OCRClient() def capture_and_recognize(self): # 截取屏幕 screenshot pyautogui.screenshot(regionself.region) # 保存临时文件 temp_path temp_screenshot.png screenshot.save(temp_path) # OCR识别 text self.ocr_client.recognize_image(temp_path) # 清理临时文件 os.remove(temp_path) return text def start_monitoring(self, callback): self.running True def monitor_loop(): while self.running: try: text self.capture_and_recognize() if text and callback: callback(text) except Exception as e: print(f监控错误: {e}) time.sleep(self.interval) thread threading.Thread(targetmonitor_loop) thread.daemon True thread.start() def stop_monitoring(self): self.running False场景3Web应用集成将Umi-OCR集成到Web应用中提供在线OCR服务// 前端调用示例 class OCRWebService { constructor(serverUrl http://localhost:1224) { this.serverUrl serverUrl; } async recognizeFromFile(file) { return new Promise((resolve, reject) { const reader new FileReader(); reader.onload async (e) { const base64Data e.target.result.split(,)[1]; const result await this.recognizeFromBase64(base64Data); resolve(result); }; reader.onerror reject; reader.readAsDataURL(file); }); } async recognizeFromBase64(base64Data) { try { const response await fetch(${this.serverUrl}/api/ocr, { method: POST, headers: { Content-Type: application/json, }, body: JSON.stringify({ base64: base64Data, options: { data.format: text, ocr.language: models/config_chinese.txt } }) }); const result await response.json(); if (result.code 100) { return result.data; } else { throw new Error(OCR失败: ${result.data}); } } catch (error) { console.error(OCR请求失败:, error); throw error; } } async getAvailableOptions() { const response await fetch(${this.serverUrl}/api/ocr/get_options); return await response.json(); } } // 使用示例 document.getElementById(uploadButton).addEventListener(click, async () { const fileInput document.getElementById(imageInput); const file fileInput.files[0]; if (file) { const ocrService new OCRWebService(); try { const text await ocrService.recognizeFromFile(file); document.getElementById(result).value text; } catch (error) { alert(识别失败: ${error.message}); } } });场景4自动化测试集成在自动化测试中集成OCR验证功能import pytest import requests import base64 from PIL import Image import io class OCRTestValidator: def __init__(self, server_urlhttp://localhost:1224): self.server_url server_url def validate_screenshot_text(self, expected_text, screenshot_pathNone, regionNone): 验证截图中是否包含指定文本 if screenshot_path: with open(screenshot_path, rb) as f: image_data f.read() else: # 截取当前屏幕 import pyautogui screenshot pyautogui.screenshot(regionregion) img_byte_arr io.BytesIO() screenshot.save(img_byte_arr, formatPNG) image_data img_byte_arr.getvalue() # 进行OCR识别 base64_data base64.b64encode(image_data).decode(utf-8) response requests.post( f{self.server_url}/api/ocr, json{base64: base64_data} ) if response.status_code 200: result response.json() if result[code] 100: actual_text result[data] # 验证文本包含关系 return expected_text in actual_text return False def validate_ui_element(self, element_selector, expected_text): 验证UI元素中的文本 # 获取元素位置和截图 element_rect self.get_element_rect(element_selector) return self.validate_screenshot_text(expected_text, regionelement_rect) # 在测试用例中使用 def test_login_page(): validator OCRTestValidator() # 验证登录按钮文本 assert validator.validate_ui_element(#loginButton, 登录), 登录按钮文本不正确 # 验证错误提示 # 触发错误后验证错误提示文本 assert validator.validate_screenshot_text(用户名或密码错误), 错误提示未显示场景5数据处理管道集成将Umi-OCR集成到数据处理管道中from airflow import DAG from airflow.operators.python import PythonOperator from datetime import datetime import os def process_documents_with_ocr(**context): Airflow任务使用OCR处理文档 input_dir context[params][input_dir] output_dir context[params][output_dir] ocr_processor OCRProcessor() for filename in os.listdir(input_dir): if filename.lower().endswith((.png, .jpg, .jpeg, .pdf)): file_path os.path.join(input_dir, filename) print(f处理文件: {file_path}) # OCR处理 text ocr_processor.process(file_path) # 保存结果 output_path os.path.join(output_dir, f{os.path.splitext(filename)[0]}.txt) with open(output_path, w, encodingutf-8) as f: f.write(text) print(f结果保存到: {output_path}) # 定义Airflow DAG default_args { owner: data_team, start_date: datetime(2024, 1, 1), retries: 1, } with DAG( document_ocr_pipeline, default_argsdefault_args, description使用Umi-OCR的文档处理管道, schedule_intervaldaily, catchupFalse, ) as dag: ocr_task PythonOperator( task_idprocess_documents_ocr, python_callableprocess_documents_with_ocr, op_kwargs{ input_dir: /data/input_documents, output_dir: /data/processed_text } )Umi-OCR的全局设置界面提供了丰富的配置选项包括语言、主题、字体等个性化设置。这些配置同样可以通过API进行管理实现完全自动化的部署和配置。最佳实践与性能优化服务管理策略开机自启动将Umi-OCR服务添加到系统启动项确保服务始终可用进程监控实现服务健康检查自动重启异常服务资源限制根据系统配置调整并发处理数量避免资源耗尽性能优化建议图片预处理在发送到OCR服务前对图片进行适当压缩和优化批量处理合理控制并发请求数量避免服务过载结果缓存对重复内容建立缓存机制减少重复识别错误处理与重试import time from tenacity import retry, stop_after_attempt, wait_exponential class RobustOCRClient: def __init__(self, server_url, max_retries3): self.server_url server_url self.max_retries max_retries retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def recognize_with_retry(self, image_data, optionsNone): 带重试机制的OCR识别 try: response requests.post( f{self.server_url}/api/ocr, json{base64: image_data, options: options}, timeout30 ) response.raise_for_status() result response.json() if result[code] 100: return result[data] elif result[code] 101: return # 无文本 else: raise Exception(fOCR识别失败: {result.get(data, 未知错误)}) except requests.exceptions.RequestException as e: print(f网络请求失败: {e}) raise except Exception as e: print(fOCR处理失败: {e}) raise def safe_recognize(self, image_path, optionsNone): 安全的OCR识别包含完整的错误处理 try: with open(image_path, rb) as f: image_data base64.b64encode(f.read()).decode(utf-8) return self.recognize_with_retry(image_data, options) except FileNotFoundError: print(f文件不存在: {image_path}) return None except Exception as e: print(f识别过程中发生错误: {e}) return None常见问题解决方案问题1服务启动失败症状无法通过HTTP访问服务端口解决方案检查防火墙设置确保端口1224未被阻止确认没有其他程序占用相同端口以管理员权限运行程序检查Umi-OCR的全局设置中HTTP服务是否启用问题2识别速度慢症状API响应时间过长解决方案调整图片压缩参数ocr.limit_side_len适当降低图片分辨率使用更高效的OCR引擎配置优化网络请求减少不必要的数据传输考虑使用批量处理接口减少单次请求的开销问题3内存占用过高症状处理大文件时内存使用激增解决方案分块处理大型文档避免一次性加载整个文件调整并发处理数量限制同时处理的文件数定期清理临时文件和缓存监控服务内存使用设置自动重启机制未来发展与扩展建议Umi-OCR的服务化架构为未来的功能扩展提供了良好的基础。以下是一些可能的发展方向扩展功能建议更多OCR引擎支持集成更多开源OCR引擎提供更丰富的识别选项分布式处理能力支持集群部署和负载均衡提升处理能力实时流处理支持视频流和实时截屏的OCR处理自定义模型训练允许用户训练和部署自定义OCR模型集成生态建设插件系统开发插件系统允许第三方开发者扩展功能云服务集成提供云服务版本支持跨设备同步和协作API市场建立API市场让开发者可以共享和交易OCR处理能力性能优化方向GPU加速利用GPU进行OCR计算大幅提升处理速度智能缓存基于内容相似度的智能缓存机制自适应优化根据硬件配置自动优化处理参数总结Umi-OCR的无界面服务化功能为OCR技术的自动化集成提供了强大而灵活的解决方案。通过命令行接口和HTTP API开发者可以轻松地将OCR能力集成到各种应用场景中从简单的脚本自动化到复杂的企业级应用。关键优势总结完全离线保障数据隐私和安全无需网络连接多语言支持支持多种语言识别满足国际化需求灵活集成提供命令行和HTTP API两种集成方式高性能处理支持批量处理和并发请求易于部署简单的服务启动和配置流程无论你是需要处理大量文档的企业用户还是希望为应用添加OCR功能的开发者Umi-OCR都能提供稳定可靠的解决方案。通过合理的架构设计和性能优化Umi-OCR的服务化方案能够满足从个人使用到企业级应用的各种需求。开始尝试将Umi-OCR集成到你的自动化工作流中体验高效、准确的文本识别服务吧资源与支持官方文档docs/http/api_ocr.md命令行手册docs/README_CLI.md文档识别示例docs/http/api_doc_demo.py更新日志CHANGE_LOG.md通过本文介绍的方法和最佳实践你可以充分发挥Umi-OCR的自动化潜力构建高效、可靠的OCR处理系统。无论是简单的脚本自动化还是复杂的企业应用Umi-OCR都能提供强大的支持。【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片PDF文档识别排除水印/页眉页脚扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考