解放双手！用GLM-OCR自动提取图片文字，Python调用教程

1. 引言：告别手动输入的烦恼

每天面对大量图片中的文字信息，你是否还在手动输入？商品截图中的价格信息、文档照片中的关键内容、表格数据的整理录入——这些重复性工作不仅耗时耗力，还容易出错。

现在，有了GLM-OCR，这一切都可以自动化完成。这是一个基于先进多模态架构的OCR模型，专门为复杂文档理解而设计。它不仅能准确识别文字，还能理解表格结构、识别数学公式，真正实现"图片变文字"的智能转换。

本文将手把手教你如何快速部署GLM-OCR，并通过Python代码轻松调用其强大功能。无需深厚的技术背景，跟着步骤操作，30分钟内就能让AI为你自动处理图片文字。

2. 环境准备与快速部署

2.1 系统要求与前置准备

在开始之前，请确保你的系统满足以下基本要求：

• 操作系统：Linux（推荐Ubuntu 18.04+）或Windows WSL
• Python版本：3.8或更高版本
• 内存：至少8GB RAM
• 存储空间：10GB可用空间（用于模型文件）
• 网络连接：需要下载模型文件（约2.5GB）

如果你计划使用GPU加速（推荐），还需要：

• 显卡：NVIDIA GPU，至少4GB显存
• CUDA：11.7或更高版本

2.2 一键启动服务

GLM-OCR提供了极其简单的部署方式。打开终端，执行以下命令：

# 进入项目目录
cd /root/GLM-OCR

# 启动服务
./start_vllm.sh

首次运行时会自动下载模型文件，这个过程可能需要1-2分钟，具体取决于你的网络速度。完成后，你会看到服务成功启动的提示信息。

验证服务是否正常运行： 打开浏览器，访问 http://localhost:7860，如果看到GLM-OCR的Web界面，说明服务已成功启动。

3. Web界面快速体验

在深入代码之前，我们先通过Web界面直观感受GLM-OCR的能力。

3.1 界面功能概览

GLM-OCR的Web界面简洁易用，主要包含三个功能区：

1. 图片上传区：支持拖拽或点击上传PNG、JPG、WEBP格式图片
2. 任务选择区：提供文本识别、表格识别、公式识别三种模式
3. 结果展示区：实时显示识别结果，支持复制和导出

3.2 三步完成文字提取

让我们用一个实际例子来体验完整流程：

第一步：准备测试图片 找一张包含文字的图片，比如：

• 书籍或文档的一页
• 商品标签或价格牌
• 手写笔记或备忘录

第二步：上传并选择任务

1. 点击上传按钮选择图片
2. 在任务类型中选择"Text Recognition"（文本识别）
3. 点击"开始识别"按钮

第三步：查看并使用结果 几秒钟后，识别结果就会显示在右侧区域。你可以：

• 直接复制文字内容
• 检查识别准确率
• 如果需要，重新调整图片后再次识别

通过这个简单体验，你应该已经感受到GLM-OCR的强大能力。接下来，我们将学习如何通过编程方式调用这些功能。

4. Python API调用详解

4.1 安装必要依赖

在开始编写代码前，需要安装必要的Python包：

pip install gradio_client requests pillow

这些包的作用分别是：

• gradio_client：用于与GLM-OCR服务通信
• requests：处理HTTP请求
• pillow：处理图片文件

4.2 基础调用代码

下面是一个最简单的Python调用示例：

from gradio_client import Client

# 创建客户端实例，连接到本地服务
client = Client("http://localhost:7860")

# 调用文本识别功能
result = client.predict(
    image_path="path/to/your/image.png",  # 替换为你的图片路径
    prompt="Text Recognition:",           # 指定任务类型
    api_name="/predict"                   # 使用预测API
)

print("识别结果：")
print(result)

这段代码做了三件事：

1. 建立与本地GLM-OCR服务的连接
2. 指定要识别的图片路径
3. 请求文本识别服务并获取结果

4.3 处理不同类型的内容

GLM-OCR支持多种内容类型的识别，只需更改prompt参数：

# 表格识别
table_result = client.predict(
    image_path="path/to/table.png",
    prompt="Table Recognition:",  # 改为表格识别
    api_name="/predict"
)

# 公式识别
formula_result = client.predict(
    image_path="path/to/formula.png", 
    prompt="Formula Recognition:",  # 改为公式识别
    api_name="/predict"
)

4.4 完整实用示例

下面是一个更加完整的示例，包含错误处理和结果处理：

import os
from gradio_client import Client
from PIL import Image
import time

class GLMOCRClient:
    def __init__(self, server_url="http://localhost:7860"):
        self.client = Client(server_url)
        self.retry_count = 3
        self.retry_delay = 2  # 重试延迟秒数
    
    def recognize_text(self, image_path, max_retries=None):
        """识别图片中的文字"""
        retries = max_retries or self.retry_count
        
        for attempt in range(retries):
            try:
                # 验证图片文件存在
                if not os.path.exists(image_path):
                    raise FileNotFoundError(f"图片文件不存在: {image_path}")
                
                # 调用识别服务
                result = self.client.predict(
                    image_path=image_path,
                    prompt="Text Recognition:",
                    api_name="/predict"
                )
                
                return {
                    'success': True,
                    'text': result,
                    'error': None
                }
                
            except Exception as e:
                if attempt == retries - 1:  # 最后一次尝试也失败
                    return {
                        'success': False,
                        'text': None,
                        'error': str(e)
                    }
                time.sleep(self.retry_delay)
        
        return {
            'success': False,
            'text': None,
            'error': '未知错误'
        }

# 使用示例
if __name__ == "__main__":
    # 创建客户端实例
    ocr_client = GLMOCRClient()
    
    # 识别单张图片
    result = ocr_client.recognize_text("example.png")
    
    if result['success']:
        print("识别成功！")
        print("提取的文字内容：")
        print(result['text'])
    else:
        print(f"识别失败：{result['error']}")

这个示例增加了错误重试机制、文件存在性检查等功能，更加健壮实用。

5. 实战应用案例

5.1 批量处理图片文件

在实际工作中，我们经常需要处理大量图片。下面是一个批量处理的示例：

import glob
from concurrent.futures import ThreadPoolExecutor

def batch_process_images(image_folder, output_file="results.txt"):
    """批量处理文件夹中的所有图片"""
    client = GLMOCRClient()
    
    # 获取所有图片文件
    image_files = glob.glob(f"{image_folder}/*.png") + \
                 glob.glob(f"{image_folder}/*.jpg") + \
                 glob.glob(f"{image_folder}/*.webp")
    
    results = []
    
    # 使用线程池并行处理
    with ThreadPoolExecutor(max_workers=3) as executor:
        future_to_file = {
            executor.submit(client.recognize_text, img_file): img_file 
            for img_file in image_files
        }
        
        for future in future_to_file:
            img_file = future_to_file[future]
            try:
                result = future.result()
                if result['success']:
                    results.append(f"文件: {img_file}\n结果:\n{result['text']}\n{'-'*50}")
                else:
                    results.append(f"文件: {img_file}\n错误: {result['error']}\n{'-'*50}")
            except Exception as e:
                results.append(f"文件: {img_file}\n异常: {str(e)}\n{'-'*50}")
    
    # 保存结果到文件
    with open(output_file, 'w', encoding='utf-8') as f:
        f.write('\n'.join(results))
    
    print(f"处理完成！共处理 {len(image_files)} 张图片")
    return results

# 使用示例
batch_process_images("./images", "extracted_texts.txt")

5.2 与现有系统集成

GLM-OCR可以轻松集成到现有系统中：

def integrate_with_existing_system(image_path, system_callback=None):
    """
    将OCR功能集成到现有系统中
    system_callback: 识别完成后的回调函数
    """
    client = GLMOCRClient()
    
    # 执行OCR识别
    result = client.recognize_text(image_path)
    
    if result['success']:
        extracted_text = result['text']
        
        # 如果提供了回调函数，调用它
        if system_callback:
            system_callback(extracted_text)
        
        # 这里可以添加其他处理逻辑
        # 比如存入数据库、发送通知等
        
        return extracted_text
    else:
        # 处理识别失败的情况
        print(f"OCR识别失败: {result['error']}")
        return None

# 示例回调函数
def save_to_database(text):
    """模拟保存到数据库"""
    print(f"将文本保存到数据库: {text[:50]}...")

# 使用示例
integrate_with_existing_system("document.png", save_to_database)

6. 常见问题与解决方案

6.1 服务连接问题

问题：无法连接到GLM-OCR服务 解决方案：

# 检查服务是否正常运行
import requests

def check_service_status(port=7860):
    try:
        response = requests.get(f"http://localhost:{port}", timeout=5)
        return response.status_code == 200
    except:
        return False

if not check_service_status():
    print("服务未启动，请先运行 ./start_vllm.sh")

6.2 图片处理问题

问题：图片太大或格式不支持 解决方案：

from PIL import Image
import os

def preprocess_image(image_path, max_size=(1024, 1024)):
    """预处理图片：调整大小并转换为支持格式"""
    try:
        with Image.open(image_path) as img:
            # 调整大小（保持比例）
            img.thumbnail(max_size)
            
            # 转换为RGB（处理可能有的透明度通道）
            if img.mode in ('RGBA', 'LA'):
                background = Image.new('RGB', img.size, (255, 255, 255))
                background.paste(img, mask=img.split()[-1])
                img = background
            elif img.mode != 'RGB':
                img = img.convert('RGB')
            
            # 保存为JPG格式
            output_path = os.path.splitext(image_path)[0] + "_processed.jpg"
            img.save(output_path, "JPEG", quality=95)
            
            return output_path
            
    except Exception as e:
        print(f"图片预处理失败: {e}")
        return image_path  # 返回原路径尝试直接处理

6.3 性能优化建议

如果处理速度较慢，可以尝试以下优化：

# 使用缓存避免重复处理相同图片
from functools import lru_cache

@lru_cache(maxsize=100)
def cached_recognize(image_path):
    """带缓存的识别函数"""
    client = GLMOCRClient()
    return client.recognize_text(image_path)

# 批量处理时适当调整并发数
# 根据你的硬件配置调整max_workers
def optimized_batch_process(image_files, max_workers=2):
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        results = list(executor.map(cached_recognize, image_files))
    return results

7. 总结与下一步建议

通过本教程，你已经掌握了使用GLM-OCR进行图片文字提取的完整流程。从环境部署到Python调用，从基础使用到高级应用，现在你应该能够：

• ✅ 快速部署GLM-OCR服务
• ✅ 通过Web界面体验文字识别功能
• ✅ 使用Python代码调用OCR API
• ✅ 处理批量图片文件
• ✅ 集成到现有系统中
• ✅ 解决常见问题并进行性能优化

下一步学习建议

1. 深入探索高级功能：尝试表格识别和公式识别功能，了解它们在不同场景下的应用
2. 性能调优：根据你的具体需求，调整并发数和预处理策略
3. 错误处理增强：实现更完善的错误处理和重试机制
4. 结果后处理：添加自然语言处理步骤，对识别结果进行清洗和结构化

GLM-OCR只是一个开始，现在你可以将更多时间和精力放在更有价值的工作上，让AI帮你处理重复性的文字提取任务。

---

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。