百度AI OCR通用文字识别：Python3调用全流程解析与Demo演示

一、技术背景与OCR应用场景

通用文字识别（OCR）是计算机视觉领域的核心能力之一，通过算法将图像中的文字内容转换为可编辑的文本格式。百度AI提供的通用文字识别服务，支持中英文、数字、符号的精准识别，覆盖印刷体、手写体、复杂背景等多种场景，广泛应用于文档数字化、票据处理、内容检索、智能办公等领域。

相较于传统OCR方案，百度AI OCR具备三大优势：

1. 高精度识别：基于深度学习模型，对模糊、倾斜、低分辨率图像有更强适应性；
2. 多语言支持：覆盖中文、英文、日文等30+语言，支持混合语言识别；
3. 易用性：提供RESTful API接口，开发者可快速集成至现有系统。

二、调用前准备：API密钥与依赖安装

1. 获取百度AI开放平台访问权限

• 访问百度AI开放平台，注册账号并完成实名认证；
• 进入“文字识别”控制台，创建“通用文字识别”应用，获取API Key和Secret Key（用于身份验证）；
• 记录应用的Access Token获取地址（通常为https://aip.baidubce.com/oauth/2.0/token）。

2. 安装Python依赖库

推荐使用requests库发送HTTP请求，json库处理响应数据，base64库处理图像编码。通过pip安装：

pip install requests

三、核心调用流程：从请求到响应

1. 获取Access Token

Access Token是调用API的临时凭证，有效期为30天，需定期刷新。代码如下：

import requests
import json
def get_access_token(api_key, secret_key):
    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {
        "grant_type": "client_credentials",
        "client_id": api_key,
        "client_secret": secret_key
    }
    response = requests.get(url, params=params)
    if response.status_code == 200:
        return response.json().get("access_token")
    else:
        raise Exception("Failed to get access token: " + response.text)

2. 图像预处理与Base64编码

OCR服务要求图像为JPG/PNG格式，大小不超过4MB。建议对图像进行预处理（如二值化、去噪）以提高识别率。编码示例：

import base64
def image_to_base64(image_path):
    with open(image_path, "rb") as f:
        image_data = f.read()
    return base64.b64encode(image_data).decode("utf-8")

3. 调用通用文字识别API

核心参数说明：

• image：Base64编码的图像数据；
• recognize_granularity：识别粒度（big为整图文字，small为单词级）；
• language_type：语言类型（CHN_ENG为中英文混合）。

完整调用代码：

def ocr_general(access_token, image_base64):
    url = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic"
    headers = {
        "Content-Type": "application/x-www-form-urlencoded"
    }
    params = {
        "access_token": access_token,
        "image": image_base64,
        "recognize_granularity": "big",
        "language_type": "CHN_ENG"
    }
    response = requests.post(url, headers=headers, data=params)
    if response.status_code == 200:
        return response.json()
    else:
        raise Exception("OCR API call failed: " + response.text)

四、完整Demo代码与运行示例

1. 整合代码

import requests
import base64
import json
class BaiduOCR:
    def __init__(self, api_key, secret_key):
        self.api_key = api_key
        self.secret_key = secret_key
        self.access_token = None
    def get_access_token(self):
        url = "https://aip.baidubce.com/oauth/2.0/token"
        params = {
            "grant_type": "client_credentials",
            "client_id": self.api_key,
            "client_secret": self.secret_key
        }
        response = requests.get(url, params=params)
        if response.status_code == 200:
            self.access_token = response.json().get("access_token")
            return self.access_token
        else:
            raise Exception("Failed to get access token: " + response.text)
    def image_to_base64(self, image_path):
        with open(image_path, "rb") as f:
            image_data = f.read()
        return base64.b64encode(image_data).decode("utf-8")
    def ocr_general(self, image_base64):
        if not self.access_token:
            self.get_access_token()
        url = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic"
        headers = {
            "Content-Type": "application/x-www-form-urlencoded"
        }
        params = {
            "access_token": self.access_token,
            "image": image_base64,
            "recognize_granularity": "big",
            "language_type": "CHN_ENG"
        }
        response = requests.post(url, headers=headers, data=params)
        if response.status_code == 200:
            return response.json()
        else:
            raise Exception("OCR API call failed: " + response.text)
# 使用示例
if __name__ == "__main__":
    API_KEY = "your_api_key"
    SECRET_KEY = "your_secret_key"
    IMAGE_PATH = "test.png"
    ocr = BaiduOCR(API_KEY, SECRET_KEY)
    image_base64 = ocr.image_to_base64(IMAGE_PATH)
    result = ocr.ocr_general(image_base64)
    print(json.dumps(result, indent=4, ensure_ascii=False))

2. 运行结果解析

成功调用后，返回的JSON数据包含以下关键字段：

• words_result：识别结果列表，每个元素包含location（文字位置）和words（文字内容）；
• words_result_num：识别出的文字数量。

示例输出：

{
    "log_id": 123456789,
    "words_result_num": 2,
    "words_result": [
        {"words": "百度AI"},
        {"words": "通用文字识别"}
    ]
}

五、常见问题与优化建议

1. 错误处理

• 400 Bad Request：检查参数是否合法（如图像编码、语言类型）；
• 401 Unauthorized：确认Access Token是否有效；
• 413 Request Entity Too Large：压缩图像或调整分辨率。

2. 性能优化

• 批量处理：使用ocr/v1/accurate_basic接口处理多张图像；
• 异步调用：对于大图像，可采用异步API减少等待时间；
• 本地缓存：缓存Access Token避免频繁请求。

3. 高级功能扩展

• 表格识别：调用ocr/v1/table接口提取表格数据；
• 身份证识别：使用ocr/v1/idcard接口识别身份证信息。

六、总结与展望

本文详细介绍了百度AI通用文字识别服务的Python3调用方法，从API准备到完整Demo实现，覆盖了关键技术点与常见问题。通过集成百度OCR，开发者可快速构建高精度的文字识别应用，显著提升文档处理效率。未来，随着多模态大模型的发展，OCR技术将进一步融合语义理解，实现更智能的场景化应用。