GLM-OCR入门指南Python环境下的安装与第一个解析程序你是不是经常需要从一堆发票、表格或者扫描件里手动录入信息费时费力不说还容易出错。今天咱们就来聊聊一个能帮你自动搞定这些事儿的工具——GLM-OCR。简单来说GLM-OCR是一个专门用来识别图片中文字的工具。你给它一张图片它就能把里面的文字内容包括位置、格式都给你“读”出来。对于想快速上手、验证想法的新手来说它最大的优点就是简单直接不用折腾复杂的服务器在自己的电脑上就能跑起来。这篇文章我就带你从零开始在Python环境下把GLM-OCR装好并且写一个能真正跑起来的程序去解析一张本地发票图片。整个过程就像搭积木一步步来保证你能跟上。1. 准备工作搭建你的Python游乐场在开始玩GLM-OCR之前我们得先把“场地”准备好。这里说的场地就是Python运行环境。1.1 确认Python版本GLM-OCR对Python版本有要求通常需要Python 3.7或更高版本。怎么查看你电脑上的Python版本呢很简单。打开你的命令行工具Windows上是“命令提示符”或PowerShellMac或Linux上是“终端”输入下面这行命令然后按回车python --version或者python3 --version你会看到类似Python 3.9.13这样的输出。只要前面的数字是3.7、3.8、3.9、3.10等就说明版本没问题。如果版本太低或者提示找不到命令那你需要先去Python官网下载并安装一个新版本。1.2 管理项目依赖的好帮手虚拟环境我强烈建议你使用“虚拟环境”。你可以把它想象成一个独立的、干净的房间。在这个房间里安装GLM-OCR和它需要的所有“家具”也就是各种Python库不会影响到房间外面你电脑上其他的Python项目。这样能避免各种库版本冲突的麻烦。创建虚拟环境的方法如下在你打算存放项目代码的文件夹里打开命令行。执行创建环境的命令# 对于Windows系统 python -m venv glm_ocr_env # 对于Mac或Linux系统 python3 -m venv glm_ocr_env这行命令会在当前目录下创建一个名叫glm_ocr_env的文件夹里面就是你的虚拟环境。激活这个环境进入我们的“独立房间”# Windows (命令提示符) glm_ocr_env\Scripts\activate.bat # Windows (PowerShell) glm_ocr_env\Scripts\Activate.ps1 # Mac 或 Linux source glm_ocr_env/bin/activate激活成功后你的命令行前面通常会显示环境的名字比如(glm_ocr_env)这就表示你已经在这个虚拟环境里了。好了场地准备完毕我们可以开始安装主角了。2. 安装GLM-OCR一条命令搞定安装过程比你想的要简单得多。得益于Python强大的包管理工具pip我们只需要一行命令。确保你已经在刚才激活的虚拟环境中然后在命令行里输入pip install glm-ocr按下回车pip就会自动从网络上下载GLM-OCR以及它所有必需的依赖库比如处理图像的Pillow进行科学计算的numpy等。屏幕上会滚动很多下载和安装信息稍等片刻直到最后出现“Successfully installed ...”的字样就表示安装成功了。你可以用下面的命令验证一下是否安装正确pip show glm-ocr这个命令会显示GLM-OCR的版本、安装位置等信息。3. 下载预训练模型给工具注入“知识”GLM-OCR本身是一个框架它要能准确识别文字还需要一个“大脑”也就是预训练模型。这个模型里包含了从海量数据中学到的识别规律。首次使用GLM-OCR时它会自动帮你下载默认的预训练模型。但为了网络不稳定时也能顺利运行我们也可以手动提前准备好。通常模型的下载链接或说明会在GLM-OCR的项目主页比如GitHub上找到。你需要找到模型文件可能是一个.bin或.onnx文件将它下载到你的项目文件夹里比如创建一个models文件夹来存放它。假设我们下载的模型文件叫glm_ocr_model.bin并放在了./models/目录下。记住这个路径等下写代码的时候要用到。4. 动手实战编写你的第一个发票解析程序理论说再多不如动手敲一行代码。现在我们来写一个完整的Python脚本实现读取本地发票图片并识别其中文字的功能。在你的项目文件夹里新建一个Python文件命名为first_ocr.py。4.1 导入必要的工具包打开first_ocr.py我们首先要把需要的“工具”引进来。# first_ocr.py from glm_ocr import GLMOCR import cv2 import jsonfrom glm_ocr import GLMOCR: 这行代码从我们刚安装的glm_ocr包里引入了最核心的识别类GLMOCR。import cv2: 引入OpenCV库这是一个非常强大的图像处理库我们用它来读取图片文件。如果你还没安装需要在命令行用pip install opencv-python安装一下。import json: Python自带的库用来把识别结果转换成更易读的JSON格式。4.2 初始化识别引擎接下来我们需要创建一个GLM-OCR的识别引擎实例并告诉它使用我们下载好的模型。# 初始化OCR引擎指定模型路径 model_path ./models/glm_ocr_model.bin # 请替换为你的实际模型路径 ocr_engine GLMOCR(model_pathmodel_path)把model_path的值换成你实际存放模型文件的路径。如果模型文件就在当前目录的models文件夹下用./models/glm_ocr_model.bin就行。4.3 加载待识别的发票图片假设我们有一张名为invoice_sample.jpg的发票图片也放在项目文件夹里。# 指定要识别的图片路径 image_path invoice_sample.jpg # 使用OpenCV读取图片 image cv2.imread(image_path) # 检查图片是否成功加载 if image is None: print(f错误无法从路径 {image_path} 读取图片请检查文件是否存在。) exit()cv2.imread函数负责把图片文件读进来转换成程序能处理的数字矩阵。后面的判断是为了确保图片真的被读进来了避免因为路径错误导致程序崩溃。4.4 执行文字识别并输出结果最激动人心的时刻到了让引擎开始工作# 执行OCR识别 print(正在识别图片中的文字请稍候...) result ocr_engine.recognize(image) # 将识别结果以美观的JSON格式打印出来 print(\n 识别结果 ) print(json.dumps(result, indent2, ensure_asciiFalse))ocr_engine.recognize(image)是核心调用它把图片数据喂给引擎引擎分析后返回识别结果。json.dumps(...)这一行是把结果通常是一个字典或列表格式化成带缩进的、中文不会乱码的字符串方便我们查看。4.5 运行你的程序保存好first_ocr.py文件。在命令行中确保你还在虚拟环境里并且当前目录就是你的项目文件夹然后运行python first_ocr.py如果一切顺利你会先看到“正在识别图片中的文字请稍候...”的提示稍等几秒到十几秒取决于图片大小和电脑性能屏幕上就会打印出结构化的识别结果。5. 解读识别结果看看机器“读”出了什么程序跑完后输出的一大段JSON就是识别结果。它可能长这样这是一个简化示例{ text: 增值税电子普通发票\n发票代码123456789012\n发票号码9876543210\n开票日期2023年10月27日\n购买方某某科技有限公司\n..., boxes: [[10, 20, 100, 30], [15, 50, 200, 65], ...], scores: [0.99, 0.98, 0.97, ...] }text: 这是识别出的所有文字按行或按块组合在一起。你可以快速浏览这里找到发票的关键信息比如发票号码、金额、日期等。boxes: 这是一个列表里面每个小列表如[10, 20, 100, 30]代表一个文字框在图片上的坐标。通常是左上角x, y坐标和右下角x, y坐标。这个信息可以用来还原文字在原图上的位置。scores: 这是识别置信度范围在0到1之间越接近1表示模型对这块文字的识别越有信心。你可以用它来过滤掉一些可能识别不准的结果。第一次运行重点看看text字段里的内容和你手中的发票图片对比一下感受一下识别的准确度。这就是你的第一个OCR程序产出的成果6. 总结跟着上面的步骤走一遍你应该已经成功在电脑上配置好了GLM-OCR的环境并且运行了一个能处理本地发票图片的脚本。整个过程的核心其实就是三步用pip安装工具包、准备好模型、调用几行简单的API。对于初学者来说先不用深究背后复杂的模型原理最重要的是先让它跑起来看到实际效果。有了这个能工作的基础程序你就可以开始尝试用它去识别不同类型的图片比如名片、报告或者书籍页面看看效果如何。遇到识别不准的地方可以尝试调整一下图片的亮度、对比度或者将来学习更高级的参数调整方法。动手实践是学习技术最快的方式。希望这个简单的入门指南能帮你推开OCR世界的大门。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。