Связаться с намиПодключиться

Как начать работать с Vision OCR

Статья создана
Улучшена
Обновлена 4 октября 2024 г.

Этот раздел описывает, как распознать текст на изображении или в файле с помощью Vision OCR OCR API.

Перед началом работы

Чтобы воспользоваться примерами, установите cURL.

  1. На странице Биллинг убедитесь, что платежный аккаунт находится в статусе ACTIVE или TRIAL_ACTIVE. Если платежного аккаунта нет, создайте его.
  2. Получите IAM-токен, необходимый для аутентификации.
  3. Получите идентификатор любого каталога, на который у вашего аккаунта есть роль ai.vision.user или выше.
  4. Полученный идентификатор передавайте в заголовке x-folder-id.

Распознайте текст

Вы можете использовать любую модель для распознавания из списка. Для примера, воспользуемся моделью page, которая позволяет распознавать любое количество текста на изображении:

  1. Подготовьте файл изображения, соответствующий требованиям:

    • Поддерживаемые форматы файлов: JPEG, PNG, PDF. MIME-тип файла указывайте в свойстве mime_type. По умолчанию image.
    • Максимальный размер файла: 10 МБ.
    • Размер изображения не должен превышать 20 мегапикселей (длина × ширина).

    Примечание

    Нужен пример изображения? Скачайте изображение дорожного знака, предупреждающего о пингвинах.

  2. Кодируйте файл с изображением в формат Base64:

    base64 -i input.jpg > output.txt

    C:> Base64.exe -e input.jpg > output.txt

    [Convert]::ToBase64String([IO.File]::ReadAllBytes("./input.jpg")) > output.txt

    # Импортируйте библиотеку для кодирования в Base64
import base64

# Создайте функцию, которая кодирует файл и возвращает результат.
def encode_file(file_path):
  with open(file_path, "rb") as fid:
      file_content = fid.read()
  return base64.b64encode(file_content).decode("utf-8")

    // Считайте содержимое файла в память.
var fs = require('fs');
var file = fs.readFileSync('/path/to/file');

// Получите содержимое файла в формате Base64.
var encoded = Buffer.from(file).toString('base64');

    // Импортируйте библиотеку для кодирования в Base64.
import org.apache.commons.codec.binary.Base64;

// Получите содержимое файла в формате Base64.
byte[] fileData = Base64.encodeBase64(yourFile.getBytes());

    import (
    "bufio"
    "encoding/base64"
    "io/ioutil"
    "os"
)

// Откройте файл
f, _ := os.Open("/path/to/file")

// Прочитайте содержимое файла.
reader := bufio.NewReader(f)
content, _ := ioutil.ReadAll(reader)

// Получите содержимое файла в формате Base64.
base64.StdEncoding.EncodeToString(content)

  3. Создайте файл с телом запроса, например body.json.

    body.json:

    {
  "mimeType": "JPEG",
  "languageCodes": ["*"],
  "model": "page",
  "content": "<изображение_в_кодировке_base64>"
}

    В свойстве content укажите содержимое файла, полученное при переводе изображения в формат Base64.

    Чтобы сервис автоматически определил язык текста, укажите в конфигурации свойство "languageCodes": ["*"].

  4. export IAM_TOKEN=<IAM-токен>
curl \
  --request POST \
  --header "Content-Type: application/json" \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  --header "x-folder-id: <идентификатор_каталога>" \
  --header "x-data-logging-enabled: true" \
  --data "@body.json" \
  https://ocr.api.cloud.yandex.net/ocr/v1/recognizeText \
  --output output.json

    Где:

    • <IAM-токен> — полученный ранее IAM-токен.
    • <идентификатор_каталога> — полученный ранее идентификатор каталога.
    data = {"mimeType": <mime_type>,
        "languageCodes": ["*"],
        "content": content}

url = "https://ocr.api.cloud.yandex.net/ocr/v1/recognizeText"

headers= {"Content-Type": "application/json",
          "Authorization": "Bearer {:s}".format(<IAM-токен>),
          "x-folder-id": "<идентификатор_каталога>",
          "x-data-logging-enabled": "true"}
  
  w = requests.post(url=url, headers=headers, data=json.dumps(data))

    Результат будет состоять из распознанных блоков текста, строк и слов с указанием их местоположения на изображении:

    {
  "result": {
    "text_annotation": {
      "width": "1920",
      "height": "1280",
      "blocks": [{
        "bounding_box": {
          "vertices": [{
            "x": "460",
            "y": "777"
          }, {
            "x": "460",
            "y": "906"
          }, {
            "x": "810",
            "y": "906"
          }, {
            "x": "810",
            "y": "777"
          }]
        },
        "lines": [{
          "bounding_box": {
            "vertices": [{
              "x": "460",
              "y": "777"
            }, {
              "x": "460",
              "y": "820"
            }, {
              "x": "802",
              "y": "820"
            }, {
              "x": "802",
              "y": "777"
            }]
          },
          "alternatives": [{
            "text": "PENGUINS",
            "words": [{
              "bounding_box": {
                "vertices": [{
                  "x": "460",
                  "y": "768"
                }, {
                  "x": "460",
                  "y": "830"
                }, {
                  "x": "802",
                  "y": "830"
                }, {
                  "x": "802",
                  "y": "768"
                }]
              },
              "text": "PENGUINS",
              "entity_index": "-1"
            }]
          }]
        }, {
          "bounding_box": {
            "vertices": [{
              "x": "489",
              "y": "861"
            }, {
              "x": "489",
              "y": "906"
            }, {
              "x": "810",
              "y": "906"
            }, {
              "x": "810",
              "y": "861"
            }]
          },
          "alternatives": [{
            "text": "CROSSING",
            "words": [{
              "bounding_box": {
                "vertices": [{
                  "x": "489",
                  "y": "852"
                }, {
                  "x": "489",
                  "y": "916"
                }, {
                  "x": "810",
                  "y": "916"
                }, {
                  "x": "810",
                  "y": "852"
                }]
              },
              "text": "CROSSING",
              "entity_index": "-1"
            }]
          }]
        }],
        "languages": [{
          "language_code": "en"
        }]
      }, {
        "bounding_box": {
          "vertices": [{
            "x": "547",
            "y": "989"
          }, {
            "x": "547",
            "y": "1046"
          }, {
            "x": "748",
            "y": "1046"
          }, {
            "x": "748",
            "y": "989"
          }]
        },
        "lines": [{
          "bounding_box": {
            "vertices": [{
              "x": "547",
              "y": "989"
            }, {
              "x": "547",
              "y": "1046"
            }, {
              "x": "748",
              "y": "1046"
            }, {
              "x": "748",
              "y": "989"
            }]
          },
          "alternatives": [{
            "text": "SLOW",
            "words": [{
              "bounding_box": {
                "vertices": [{
                  "x": "547",
                  "y": "983"
                }, {
                  "x": "547",
                  "y": "1054"
                }, {
                  "x": "748",
                  "y": "1054"
                }, {
                  "x": "748",
                  "y": "983"
                }]
              },
              "text": "SLOW",
              "entity_index": "-1"
            }]
          }]
        }],
        "languages": [{
          "language_code": "en"
        }]
      }],
      "entities": []
    },
    "page": "0"
  }
}

  5. Чтобы получить все распознанные на изображении слова, найдите все значения со свойством text.

Примечание

Если полученные координаты не соответствуют отображаемому положению элементов, настройте в вашем средстве просмотра изображений поддержку метаданных exif, либо при передаче в сервис удаляйте из секции exif изображения атрибут Orientation.

Следующая
Все инструкции