OCR 不是终点：从图片和 PDF 到可核验结构化 JSON 的 Python 实践

最新推荐文章于 2026-08-18 17:28:27 发布

原创最新推荐文章于 2026-08-18 17:28:27 发布 · 339 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

OCR 不是终点：从图片和 PDF 到可核验结构化 JSON 的 Python 实践

很多文档处理项目的第一版都停在“把字识别出来”。图片交给 OCR，PDF 转成纯文本，然后把结果直接写进数据库或向量库。这个流程能跑，却很难回答三个真正影响生产质量的问题：字段来自哪里、缺失时如何发现、后续规则变化时怎样重放。

更稳妥的做法，是把文档处理拆成两个边界清楚的阶段：先恢复文本，再按明确的 JSON Schema 抽取字段。前者解决“读出来”，后者解决“按业务结构交付”。

本文用 OCR 文字识别 API 和 PDF 转文本 API 统一图片与 PDF 的输入，再把规范化文本交给文档字段抽取 API。示例使用 Python 标准库，不依赖第三方 HTTP 包。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

先把管线拆对

一条可维护的文档数据管线可以表示为：

图片 URL ──> OCR ─────────────┐
                              ├─> 规范化文本 ─> Schema 字段抽取 ─> 校验 ─> 人工复核/入库
PDF 文件 ──> PDF 转文本 ──────┘

这样拆分有四个直接好处：

输入层和业务字段解耦。OCR 或 PDF 解析方式变化，不需要重写入库模型。
Schema 可以版本化。新增字段时，可以用保留的原始文本重放，不必重新上传文档。
失败位置明确。是文本恢复失败、字段抽取失败，还是业务校验失败，可以分别处理。
结果可核验。字段值之外还能保留请求 ID、失败字段、告警和证据，方便复查。

三个接口的职责不同

阶段	输入	输出	适合做什么
OCR	图片 URL 或图片 Base64	文本行数组	扫描件、截图、照片
PDF 转文本	PDF 文件	连续文本	可解析 PDF、报告、说明书
字段抽取	文本或文件 + JSON Schema	结构化字段与状态	合同、采购文件、表单入库

不要把 OCR 的文本行数组直接当成最终业务对象。识别文本里通常仍有页眉、换行、顺序和噪声；而“项目名称”“预算金额”“截止时间”这类字段需要明确类型、必填规则和失败处理。

用 JSON Schema 定义交付格式

下面以采购文档为例，只定义四个字段：

{
  "type": "object",
  "properties": {
    "projectName": {"type": "string", "description": "项目名称"},
    "projectCode": {"type": "string", "description": "项目编号"},
    "budgetAmount": {"type": "number", "description": "预算金额"},
    "bidDeadline": {"type": "string", "description": "投标截止时间"}
  },
  "required": ["projectName", "projectCode"]
}

Schema 的价值不只是告诉模型“抽哪些字段”。它还是调用方与下游系统之间的契约：类型不符、必填字段缺失、字段名变化，都可以在入库前被发现。

Python 调用要点

先把 AppKey 放进环境变量，不要把真实密钥写进代码：

export GUGUDATA_APPKEY='your-app-key'

OCR 请求使用表单编码。下面的代码同时检查 HTTP 响应和业务状态：

import json
import os
from urllib.parse import urlencode
from urllib.request import Request, urlopen


def recognize_image(image_url: str) -> list[str]:
    app_key = os.environ["GUGUDATA_APPKEY"]
    query = urlencode({"appkey": app_key})
    body = urlencode({"imageurl": image_url}).encode("utf-8")
    request = Request(
        f"https://api.gugudata.com/imagerecognition/ocr?{query}",
        data=body,
        headers={"Content-Type": "application/x-www-form-urlencoded"},
        method="POST"
    )
    with urlopen(request, timeout=30) as response:
        payload = json.load(response)

    status = payload.get("DataStatus", {})
    if int(status.get("StatusCode", 0)) != 100:
        raise RuntimeError(status.get("StatusDescription", "OCR failed"))
    return payload.get("Data", {}).get("ResultText", [])

PDF 转文本和字段抽取使用 multipart 请求。无论使用哪种输入，都不要把 AppKey、原始敏感文档或完整响应写入公共日志。

不能只检查 HTTP 200

HTTP 200 只表示网关完成了响应，不等于业务处理成功。调用方还应检查返回对象中的 DataStatus.StatusCode，只有状态值为 100 时才进入下一步。

lines = recognize_image(image_url)
if not lines:
    raise ValueError("OCR returned no text lines")

推荐把失败分成三类：

传输失败：网络超时、非 2xx HTTP 状态，按退避策略重试。
业务失败：业务状态不为 100，记录状态信息后进入失败队列。
内容失败：请求成功但文本为空、字段缺失或类型不符，进入人工复核。

重试应由调用方设置上限，并为同一文档保存稳定的业务 ID。不要在未知原因下无限重试，也不要把 AppKey、原始敏感文档或完整响应写入公共日志。

抽取结果还要过一道业务校验

字段抽取成功，不代表可以直接入库。至少应做以下检查：

def validate_values(values: dict) -> list[str]:
    errors = []
    if not values.get("projectName"):
        errors.append("projectName is required")
    if "budgetAmount" in values and values["budgetAmount"] < 0:
        errors.append("budgetAmount must be non-negative")
    return errors