基于百度AI的云猫OCR开发实录
一、总体概述
本文主要介绍了由本人开发的、基于百度AI的云猫OCR软件的主要功能，性能评价及核心代码解读。因为是几个帖子合并成一个，所以篇幅较长，希望各位能耐心看完，当然也可以各取所需。
本文主要分为以下几个部分：
第一部分是云猫OCR软件介绍。 由开发者本人亲自介绍软件的主要功能。对标ABBYY等OCR软件，云猫OCR的功能更全面，使用更简单，关键的是云猫OCR目前是完全免费给大家用的。当然因为是试用版，可能存在一些bug，大家使用的时候不要乱按就行。云猫展示版本的下载地址见帖子： https://ai.baidu.com/forum/topic/show/955975
第二部分是云猫OCR基于百度OCR的具体实现方式说明。 同时也会对软件的部分核心代码进行展示，便于大家进行参考做出更有创意的产品。
第三部分是云猫OCR使用说明及效果评测。 但因为云猫OCR是2017年底左右开发的，所以用的不是百度OCR最新接口功能，如果云猫能得到大家的支持，我可以考虑开发新版接入更多百度最新的AI接口，希望大家能多多捧场。
本文的最后部分是附录，附上了我基于百度OCR进行开发的代码解读，使用的是最新的百度手写体识别接口，也一并打包给大家参考。
第一部分 云猫OCR的软件介绍
一、云猫OCR简介
云猫OCR是基于百度云OCR算法，由进击的狐狸进行开发的一款软件。本软件由C#语言进行开发，运行在Windows平台上。主要调用的接口是通用文字识别、通用文字识别（高精度）和表格识别等。
二、云猫OCR目前实现的主要功能：
1.批量图片文字识别，可以预览图片，可以对识别结果进行自动换行和缩进，可以控制QPS并发（QPS功能因为百度云的timeout问题而暂时搁置）；
2.批量表格图片识别，支持自动打开识别结果，用户也可以选择直接打开保存目录；
3.PDF转图片，在我的笔记本（配置为I7处理器/8G内存/128G SSD硬盘）的硬件环境下，PDF转图片程序模块占用的内存不超过400M，同时可以在2分钟左右的时间内转换超过500页内容的PDF文件。支持一键打开转换结果文件夹。
4.云猫软件支持换肤功能，目前有两套皮肤；
5.可以设置API Key和Secret Key；
6.支持中途停止识别；
7.支持把设置改变后对同一张图片进行重新识别；
8.支持多种语言；
9.其他功能，比如识别统计信息、控制字体大小、右键把识别结果另存为rtf文件、全选和复制识别结果等等；
三、演示帖子链接
http://ai.baidu.com/forum/topic/show/492371
四、云猫OCR演示视频链接
https://v.qq.com/x/page/r0564n4a87e.html
建议大家用1.2x或者1.5x倍速观看，因为本人的声速有点慢。
第二部分 云猫OCR基于百度OCR的具体实现方式说明
一、概述
云猫OCR是基于百度AI，在Windows平台运行的一款软件。我是用C#语言在Visual Studio2017集成开发环境中进行开发的，开发方式是SDK包开发。在开发中，我们需要参考百度的技术文档。
百度云文字识别技术文档地址：
https://cloud.baidu.com/doc/OCR/index.html
二、准备工作
首先，我们需要下载最新的百度文字识别的SDK包。
C# SDK包的下载地址如下：
http://ai.baidu.com/sdk#ocr
下载完毕后解压缩，最新的包在文件夹net45里面。
打开Visual Studio2017开发环境，选择新建项目，因为我打算用控制台项目讲解，因此要选择新建项目——C#控制台项目。建好项目之后，需要在项目中引用上面下载的SDK包。
三、核心代码讲解
（一）调用百度OCR函数识别图片文字，返回的格式为Json
代码如下：
using System;
using Newtonsoft.Json;
using Newtonsoft.Json.Linq;
using System.IO;
using System.Drawing;
using System.Collections.Generic;
using System.Linq;
namespace myOCRDemo
{
class Program
{
public static void GeneralBasicDemo()
{
// 设置APPID/AK/SK
var API_KEY = "你的 Api Key";
var SECRET_KEY = "你的 Secret Key";
//创建对象
var client = new Baidu.Aip.Ocr.Ocr(API_KEY, SECRET_KEY);
client.Timeout = 60000; // 修改超时时间
var image = File.ReadAllBytes("图片文件路径");
// 调用通用文字识别, 图片参数为本地图片，可能会抛出网络等异常，请使用try/catch捕获
var result = client.GeneralBasic(image);
Console.WriteLine(result);
}
static void Main(string[] args)
{
GeneralBasicDemo();
Console.Read();
}
}
}
注意，具体开发的时候要把上面的API Key和Secret Key分别改为你自己的，至于怎么申请和查看这两个Key，可以参考我写的评测篇帖子。帖子链接如下：
http://ai.baidu.com/forum/topic/show/955989
另外不要忘了把图片文件路径改为你自己的图片路径。下面是识别的结果示例：
原图如下：
（二）解析Json格式，把识别结果转变为更为直观的文本类型
代码如下：
using System;
using Newtonsoft.Json;
using Newtonsoft.Json.Linq;
using System.IO;
using System.Drawing;
using System.Collections.Generic;
using System.Linq;
namespace myOCRDemo
{
class Program
{
public static void GeneralBasicDemo()
{
// 设置APPID/AK/SK
var API_KEY = "你的Akey";
var SECRET_KEY = "你的SKey";
//创建对象
var client = new Baidu.Aip.Ocr.Ocr(API_KEY, SECRET_KEY);
client.Timeout = 60000; // 修改超时时间
var image = File.ReadAllBytes(@"你的图片路径");
// 调用通用文字识别, 图片参数为本地图片，可能会抛出网络等异常，请使用try/catch捕获
var result = client.GeneralBasic(image);
//解析Json的代码
JObject jo = (JObject)JsonConvert.DeserializeObject(result.ToString());
int num = (int)jo["words_result_num"];
string[] words = new string[num];
for (int i = 0; i < num; i++)
words[i] = jo["words_result"][i]["words"].ToString();
//返回值
string txtOCR = null;
for (int i = 0; i < num; i++)
txtOCR += words[i] + "\n";
//显示结果
Console.WriteLine(txtOCR);
}
static void Main(string[] args)
{
GeneralBasicDemo();
Console.Read();
}
}
}
程序运行结果如下：
这样就比较符合人类的阅读习惯了，上面这段代码也是核心的基础代码，可以通过这些核心的代码去做一些优化，比如自动换行、自动缩进、根据语言习惯自动改变标点符号等等。
（三）表格识别
百度的表格文字识别的编程较为麻烦，主要分成两步：第一步是提交表格文字识别请求，获得requestId；第二步是根据requestId获取表格文字识别的结果，默认是Excel文件格式，Json结果会返回一段下载地址。
我的程序除了上面这两步以外，还添加了自动下载Excel文件到本地电脑的代码，供各位参考。另外要注意的是，提交识别请求和获得识别结果这两步之间，程序必须设置延时，否则不能获得下载的URL 。经过实际测试，延时为3秒以上较为合适，3秒以下可能会出错。
代码如下：
///
/// 表格文字识别
///
public static void myTableRecognitionRequestDemo()
{
// 设置APPID/AK/SK
var API_KEY = "你的API Key";
var SECRET_KEY = "你的Secret Key";
//创建对象
var client = new Baidu.Aip.Ocr.Ocr(API_KEY, SECRET_KEY);
client.Timeout = 60000; // 修改超时时间
var image = File.ReadAllBytes(@"F:\表格图片1.jpg");//这里要改成你的表格图片路径
// 调用表格文字识别，可能会抛出网络等异常，请使用try/catch捕获
var result = client.TableRecognitionRequest(image);
//解析Json
JObject jo = (JObject)JsonConvert.DeserializeObject(result.ToString());
string requestId = jo["result"][0]["request_id"].ToString();
Console.WriteLine("获得requestId："+requestId);
//延时3秒，这句是必须的
System.Threading.Thread.Sleep(3000);
//获取表格识别结果
//有时会得不到链接，需要多尝试几次
var resultExcel = client.TableRecognitionGetResult(requestId);
Console.WriteLine("获得的表格识别结果如下：");
Console.WriteLine(resultExcel);
//解析Json，获得链接
JObject joResult = (JObject)JsonConvert.DeserializeObject(resultExcel.ToString());
string excelURL = joResult["result"]["result_data"].ToString();
Console.WriteLine("获得的Excel文件下载地址是：\n" + excelURL);
//自动下载Excel文件到电脑
WebClient df = new WebClient();
df.DownloadFile(excelURL, @"F:\识别结果.xls");//这里要改成你的下载文件路径
Console.WriteLine("下载完毕");
}
作者使用的测试用图片：
表格文字识别结果截图：
尾记：本文的示例代码都是最新的代码，跟百度SDK文档里面的代码是一致的，而云猫OCR是2017年末就已经写好的了，代码有些陈旧，所以没直接贴源代码了。
代码篇的原帖子地址：
http://ai.baidu.com/forum/topic/show/956037
第三部分 云猫OCR的使用说明及效果评测
一、概述
笔者是在2017年接触百度云服务平台的，在这里我也称之为百度AI 。笔者根据百度AI提供的函数接口，自行编程实现了一款OCR软件——云猫OCR。云猫OCR大部分的代码开发是在2017年底前完成的，之所以雪藏到现在，是因为笔者的一些私人事务（小孩出生等）——我是利用业余时间进行软件开发的，所以中断了大概一年多的时间，现在才有空继续这个项目。
评测篇的原帖子地址：
http://ai.baidu.com/forum/topic/show/955989
二、评测的具体内容
（一）准备工作
在使用云猫OCR之前，我们必须先去百度云官网进行注册账号，有了账号以后，我们还要去具体的云服务项目下申请API Key和Secret Key ，一般这两个Key是用户各人保管的，不能随便透露给外人。因为百度云现在已经正式收费，而用户每人每天的免费调用次数都是有限的，提高限额需要支付费用，用户使用百度云AI接口的依据主要就是这两个Key，所以我们要保管好。下面是简单的准备工作图片说明：
（二）正式使用云猫OCR
用户有了百度云API Key和Secret Key之后，就可以正式使用云猫OCR了。具体使用步骤如下：
（三）评测的具体内容
首先介绍一下云猫OCR调用的百度AI的主要接口，首先是通用文字识别（带位置版），其次是通用文字识别（带位置高精度版），最后是表格文字识别，下面依次介绍这三种识别。
1. 通用文字识别（带位置版）和通用文字识别（带位置高精度版）的混合使用
如上图所示，用户可以选择多种语言（包括德语、法语、西班牙语等等），选择好后点击文字识别即可。因为百度云提供的高精度文字识别接口只支持中英文，而通用的文字识别支持除中英文以外的多种语言，所以笔者在编写软件中，这两种接口是混合使用的，具体怎么混合使用请看代码篇。一般情况下，高精度的文字识别效果比通用的好，但也比较耗时。
本软件支持识别的文字结果在本机保存为文件，具体如下图操作：
保存的文件是rtf格式，可以用WPS或者Office Word打开。下面再给出一次性识别20张图片的统计结果图示：
从上图可以看出，百度云的文字识别结果速度还是不错的，识别速度是平均大概2-3秒一张图。
2. 表格文字识别
表格文字识别的主要步骤如下图所示：
识别的结果软件会自动保存为Excel文件并打开，如图：
从上图可以看出，表格文字识别的速度比普通文字识别要慢一些，大概需要5-6秒。
评测总结：百度OCR对于印刷体的识别还是不错的，比起以前的OCR软件来说，百度OCR可以说是革命性的进步。当然，它也有自己的短板。比如手写体的识别，笔者还没有评测，但百度云通用文字高精度接口对手写体的识别是较差的。再比如QPS并发，我的理解是可以提高OCR文字识别的速度，对于大量的图片文字识别来说尤其是重要，可以节省大量时间。但遗憾的是，百度云对并发好像做的不太好，程序不一定支持QPS并发，这个缺点我们也是希望百度后面能够有所改正。
附录：
C#编程实现手写识别
一、概述
本人是用C#编程，调用百度API接口实现手写体识别的，参考了百度的产品文档。
文档地址：https://cloud.baidu.com/doc/OCR/index.html
二、代码及解说
本人的源代码大部分是来自百度的产品文档，但其中也遇到了一些麻烦。比如文字识别的编码问题，百度的代码给出的编码是Default，但在我的机器上这样做会显示乱码。经过查找资料，我把编码改成UTF8，乱码的问题才得到解决。
作者的所有源代码如下：
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Net.Http;
using Newtonsoft.Json;
using Newtonsoft.Json.Linq;
using System.IO;
using System.Drawing;
using System.Web;
using System.Net;
namespace myHandwrite
{
public static class FileUtils
{
///
/// 转base64编码
///
///
///
public static String getFileBase64(String fileName)
{
FileStream filestream = new FileStream(fileName, FileMode.Open);
byte[] arr = new byte[filestream.Length];
filestream.Read(arr, 0, (int)filestream.Length);
string baser64 = Convert.ToBase64String(arr);
filestream.Close();
return baser64;
}
}
class Program
{
// 调用getAccessToken()获取的 access_token建议根据expires_in 时间 设置缓存
// 返回token示例
public static String TOKEN = "24.adda70c11b9786206253ddb70affdc46.2592000.1493524354.282335-1234567";
// 百度云中开通对应服务应用的 API Key 建议开通应用的时候多选服务
private static String clientId = "这里改成你的API Key";
// 百度云中开通对应服务应用的 Secret Key
private static String clientSecret = "这里改成你的Secret Key";
///
/// 获取token的函数
///
///
public static String getAccessToken()
{
String authHost = "https://aip.baidubce.com/oauth/2.0/token";
HttpClient client = new HttpClient();
List> paraList = new List>();
paraList.Add(new KeyValuePair("grant_type", "client_credentials"));
paraList.Add(new KeyValuePair("client_id", clientId));
paraList.Add(new KeyValuePair("client_secret", clientSecret));
HttpResponseMessage response = client.PostAsync(authHost, new FormUrlEncodedContent(paraList)).Result;
String result = response.Content.ReadAsStringAsync().Result;
//Console.WriteLine(result);
//自己加的代码
JObject jo = (JObject)JsonConvert.DeserializeObject(result.ToString());
string myToken = jo["access_token"].ToString();
Console.WriteLine("获得的Token是：" + myToken);
return myToken;
}
///
/// 手写体文字识别
///
///
///
///
public static string myHandwriting(string token,string filename)
{
//string token = "#####调用鉴权接口获取的token#####";
// 图片的base64编码
string strbaser64 = FileUtils.getFileBase64(filename);
string host = "https://aip.baidubce.com/rest/2.0/ocr/v1/handwriting?access_token=" + token;
Encoding encoding = Encoding.Default;
HttpWebRequest request = (HttpWebRequest)WebRequest.Create(host);
request.Method = "post";
request.ContentType = "application/x-www-form-urlencoded";
request.KeepAlive = true;
//这里加上了一些参数
String str = "recognize_granularity=big&image=" + HttpUtility.UrlEncode(strbaser64);
byte[] buffer = encoding.GetBytes(str);
request.ContentLength = buffer.Length;
request.GetRequestStream().Write(buffer, 0, buffer.Length);
HttpWebResponse response = (HttpWebResponse)request.GetResponse();
//显示结果是乱码，尝试改变编码，经过测试需要改成UTF8编码
StreamReader reader = new StreamReader(response.GetResponseStream(), Encoding.UTF8);
string result = reader.ReadToEnd();
Console.WriteLine("手写文字识别:");
//Console.WriteLine(result);
//解析Json的代码
JObject jo = (JObject)JsonConvert.DeserializeObject(result.ToString());
int num = (int)jo["words_result_num"];
string[] words = new string[num];
for (int i = 0; i < num; i++)
words[i] = jo["words_result"][i]["words"].ToString();
//返回值
string txtOCR = null;
for (int i = 0; i < num; i++)
txtOCR += words[i] + "\n";
//显示结果
Console.WriteLine(txtOCR);
return txtOCR;
}
static void Main(string[] args)
{
//这里要改成你的图片路径
string filename = @"F:\手写体5.jpg";
string token = getAccessToken();
myHandwriting(token,filename);
Console.Read();
}
}
}
注意，上面的代码中需要各位改成自己的Akey和Skey，另外要改一下图片路径。如果返回的是乱码，还需要改一下编码。
识别的结果如下：
程序用的图片文件如下：
很赞