Python调用OCR接口批量提取文档图片内容并生成Word

环境与依赖准备

本方案基于 Python 3.8+ 运行环境，推荐使用 PyCharm 或 VS Code 作为集成开发环境。在开始编写代码前，需确保系统已安装以下第三方库：

• requests：负责模拟浏览器发送HTTP请求并处理响应数据。
• python-docx：用于创建、编辑和保存Word格式文档。
• 内置模块：re（正则表达式）、base64（图片编码）、os（文件路径管理）、json（数据解析）。

打开终端或命令行，执行以下命令完成安装：

pip install requests python-docx

完整操作流程

第1步：抓包分析目标网页数据源

目的：定位包含分页图片地址的网络请求接口。
操作入口：Chrome / Edge 浏览器 → F12 或右键点击“检查” → Network（网络）面板。
具体步骤：刷新待处理的文库页面，观察数据包列表。通常可在XHR或Fetch请求中找到返回JSON格式的接口，其数据结构内往往包含docList或类似字段，其中的pic键即为每一页的加密或水印图片URL。记录该接口的完整请求URL与必要的请求参数（如docId）。

第2步：编写接口请求与图片下载逻辑

目的：获取接口返回的分页图片链接并保存至本地目录。
重要参数：需在请求头中伪装浏览器标识，避免触发反爬拦截。
参考代码：

import requests
import json
import re

url = 'https://wenku.example.com/gsearch/rec/pcviewdocrec' # 替换为实际抓包得到的接口地址
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}
# 假设已通过前端页面解析获取到docId与query参数
params = {'docId': '你的文档ID', 'query': '文档标题'}

response = requests.get(url=url, params=params, headers=headers)
response.raise_for_status()
data = response.json()

# 遍历提取图片链接并准备下载
image_urls = []
for item in data.get('data', {}).get('relateDoc', []):
    if item.get('pic'):
        image_urls.append(item['pic'])
print(f"共识别到 {len(image_urls)} 页图片资源")

第3步：接入云端OCR服务提取文字

目的：将本地保存的图片转换为结构化文本。
入口说明：前往百度云智能语音/图像识别官网注册账号，创建应用并获取AK（Access Key）与SK（Secret Key）。注意：生产环境中严禁硬编码密钥，应通过环境变量读取。
核心逻辑：通过OAuth2机制获取临时访问令牌，将图片转为Base64字符串后提交至accurate_basic高精度接口。

import requests
import base64
import os

def fetch_access_token(ak, sk):
    token_url = f"https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={ak}&client_secret={sk}"
    res = requests.get(token_url)
    return res.json().get('access_token')

def ocr_recognize(img_path, access_token):
    # 读取图片并编码
    with open(img_path, 'rb') as f:
        img_data = base64.b64encode(f.read())
    
    request_url = f"https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic?access_token={access_token}"
    payload = {"image": img_data}
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    
    ocr_res = requests.post(request_url, data=payload, headers=headers)
    result_json = ocr_res.json()
    
    # 提取识别到的文字并按行拼接
    texts = [item['words'] for item in result_json.get('words_result', [])]
    return "\n".join(texts)

第4步：循环识别并写入Word文档

目的：自动化完成批量图片识别与文档排版输出。
可观察状态：运行完成后当前目录生成同名Word文件，内容按页面顺序排列，无乱码或严重漏字。

from docx import Document
from docx.shared import Pt

doc = Document()
# 添加文档标题（可选）
doc.add_heading('OCR识别结果', level=1)

token = fetch_access_token('你的AK', '你的SK')
img_dir = './images'
os.makedirs(img_dir, exist_ok=True)

# 实际使用时请替换为第2步获取的真实下载逻辑
for idx, pic_url in enumerate(image_urls):
    local_path = os.path.join(img_dir, f"page_{idx+1}.jpg")
    # 此处省略下载代码，假设图片已按顺序存入本地
    # img_bytes = requests.get(pic_url, headers=headers).content
    # with open(local_path, 'wb') as f: f.write(img_bytes)
    
    text = ocr_recognize(local_path, token)
    doc.add_paragraph(text)
    
with open('extracted_document.docx', 'wb+') as f:
    doc.save(f.name)
print("文档生成完毕，请核对内容完整性。")

常见问题与排错指南

HTTP 403 Forbidden：请求头缺少有效的User-Agent或使用默认空值。请参照第2步代码补充完整的浏览器标识字符串。
KeyError 'access_token'：AK/SK配置错误、应用审核未通过或超出免费配额。登录控制台检查应用状态与每日调用次数限制。
ModuleNotFoundError：确认虚拟环境是否激活。在IDE终端重新执行pip install python-docx即可解决。

总结

通过组合HTTP抓包、云端OCR识别与文档库操作，能够有效绕过常规页面的文本锁定限制。该方法的核心在于准确解析动态渲染的数据接口，并合理规划图片读写与OCR调用的循环结构。实际应用中需注意目标网站结构的变动频率，保持代码的容错性，同时遵守相关平台的版权声明与服务协议。以上就是Python调用OCR接口批量提取文档图片内容并生成Word的详细内容，更多关于Python自动化办公与网页数据采集的资料请关注本站其它相关文章！