Python入门实战：调用GLM-OCR API实现第一个文字识别程序

bjackzjack

92人浏览 · 2026-02-27 00:38:24

bjackzjack · 2026-02-27 00:38:24 发布

Python入门实战：调用GLM-OCR API实现第一个文字识别程序

你是不是经常看到一些图片里的文字，想把它提取出来，却只能手动一个字一个字地敲？或者你刚接触编程，想找一个有趣又实用的项目来练手？今天，我们就来用Python写一个简单的程序，让它帮你“看懂”图片里的文字。

这个程序的核心，是调用一个名为GLM-OCR的服务。你可以把它想象成一个非常聪明的“眼睛”，我们只需要把图片交给它，它就能把图片里的文字读出来，然后告诉我们。整个过程，你只需要写十几行Python代码。

跟着这篇教程，即使你之前没怎么写过代码，也能在半小时内，做出你的第一个文字识别工具，亲眼看到程序把图片变成文字。这种亲手实现一个功能的感觉，非常棒。

1. 准备工作：搭建你的编程环境

在开始写代码之前，我们需要确保电脑上已经准备好了必要的工具。这就像做饭前要先准备好锅和食材一样。

1.1 安装Python

Python是我们的“主厨工具”。首先，检查一下你的电脑是否已经安装了Python。

打开你的命令行工具：

在Windows上，可以搜索“cmd”或“PowerShell”。
在Mac上，可以搜索“终端”。

打开后，输入下面的命令并按回车：

python --version

或者

python3 --version

如果屏幕上显示了类似 Python 3.8.10 这样的版本号，恭喜你，Python已经安装好了。如果提示“找不到命令”，则需要去安装。

如何安装Python？ 访问Python官方网站，下载最新的稳定版本（建议3.8或以上）。安装时，请务必勾选“Add Python to PATH”这个选项，这能让你在命令行里轻松使用Python。

1.2 安装必要的“调料”：requests库

我们的程序需要通过互联网与GLM-OCR服务对话，requests库就是帮我们发送和接收信息的“邮差”。安装它非常简单。

在刚才的命令行窗口里，输入以下命令：

pip install requests

如果上面的命令速度慢或者报错，可以试试用国内的镜像源，速度会快很多：

pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

看到“Successfully installed”的字样，就说明安装成功了。

1.3 准备一张测试图片

找一张包含清晰文字的图片，比如一张打印体的文档截图、一个路牌照片，或者一本书的封面。把它保存到你的电脑上，记住存放的路径。为了简单起见，建议把图片直接放在你准备写代码的文件夹里，并且把图片名改成简单的英文，比如 test.jpg 或 demo.png。

2. 理解核心原理：程序如何工作

在动手写代码前，我们先花两分钟了解一下整个流程，这样写的时候心里更有数。

整个过程就像寄信和收信：

我们（客户端）：准备好图片，写好请求信（告诉API我要识别图片）。
邮差（requests库）：把我们的信和图片打包，通过互联网寄给GLM-OCR服务。
GLM-OCR服务（服务器）：收到信和图片后，用它的“眼睛”和“大脑”识别文字。
GLM-OCR服务：把识别结果写成一封回信（通常是JSON格式），交给邮差。
邮差：把回信送给我们。
我们：拆开回信，把里面的文字内容提取出来，展示在屏幕上。

我们写的代码，就是在指挥“邮差”完成第1、2步，并处理第5、6步。而第3、4步是GLM-OCR服务在云端自动完成的，我们无需关心。

3. 编写你的第一个OCR程序

现在，打开你喜欢的文本编辑器（比如VS Code、PyCharm，甚至系统的记事本都可以），创建一个新文件，命名为 first_ocr.py。

3.1 导入“邮差”

在Python文件的开头，我们首先要请“邮差”出场。

import requests
import json

import requests：引入我们刚才安装的库，这样我们就可以使用它来发送网络请求了。
import json：GLM-OCR返回的数据是JSON格式，这个库能帮我们轻松地解析它。

3.2 设置收信地址和服务参数

我们需要告诉程序，信要寄到哪里，以及一些必要的说明。

# GLM-OCR API的服务地址（这里是一个示例地址，实际使用时需要替换）
api_url = "http://your-glm-ocr-server-address/v1/ocr"

# 准备请求头，告诉服务器我们发送的是图片文件
headers = {
    'accept': 'application/json',
}

# 准备要发送的数据，这里我们告诉API，我们是通过上传文件的方式来识别
files = {
    'image': ('test.jpg', open('test.jpg', 'rb'), 'image/jpeg')
}

重要提示：

api_url：这是最关键的一行。http://your-glm-ocr-server-address/v1/ocr 只是一个占位符。你需要将它替换成你实际部署的GLM-OCR服务的真实API地址。这通常由提供该服务的平台或你自己部署的服务器给出。
files：这里定义了我们要上传的文件。‘test.jpg‘ 是你的图片文件名，请确保它和你在文件夹里存放的图片名一致。‘rb‘ 表示以二进制只读模式打开文件，这是上传文件必须的格式。

3.3 寄出请求并等待回信

现在，让“邮差”出发。

# 发送POST请求到API
response = requests.post(api_url, headers=headers, files=files)

这行代码做了所有网络通信的复杂工作。它把图片、请求头等信息打包，发送到 api_url 指定的地址，然后把对方的回应保存在 response 这个变量里。

3.4 拆开回信并读出内容

邮差回来了，我们看看回信里写了什么。

# 检查请求是否成功（HTTP状态码为200表示成功）
if response.status_code == 200:
    # 解析返回的JSON数据
    result = response.json()
    
    # 从结果中提取识别出的文本
    # 注意：这里假设返回的JSON结构中有‘text‘字段，实际结构需根据API文档调整
    recognized_text = result.get('text', '未找到text字段')
    
    # 打印识别结果
    print("识别成功！图片中的文字是：")
    print("-" * 30)
    print(recognized_text)
    print("-" * 30)
else:
    # 如果请求失败，打印错误信息
    print(f"请求失败，状态码：{response.status_code}")
    print(f"错误信息：{response.text}")

代码解读：

if response.status_code == 200:：这是网络请求的惯例，200代表“一切OK”。我们先判断请求是否成功。
result = response.json()：将服务器返回的JSON格式字符串，转换成Python里容易操作的字典或列表。
recognized_text = result.get(‘text‘, ‘未找到text字段‘)：尝试从结果字典中获取键为 ‘text‘ 的值，也就是识别出的文字。如果找不到这个键，就使用默认提示。请注意：不同的OCR API返回的JSON结构可能不同，‘text‘ 这个字段名需要你根据实际的GLM-OCR API文档进行调整。常见的字段名也可能是 ‘result‘、‘data‘ 等。
最后，用 print 函数把识别出的文字漂亮地打印在控制台上。

3.5 完整的代码

把上面的所有部分组合起来，你的 first_ocr.py 文件内容应该是这样的（记得替换 api_url 和图片文件名）：

import requests
import json

# 1. 设置API地址和参数（请替换为真实的API地址）
api_url = "http://your-glm-ocr-server-address/v1/ocr"
headers = {
    'accept': 'application/json',
}

# 2. 准备图片文件（请确保‘test.jpg‘存在于当前目录）
files = {
    'image': ('test.jpg', open('test.jpg', 'rb'), 'image/jpeg')
}

try:
    # 3. 发送请求
    print("正在发送图片到OCR服务...")
    response = requests.post(api_url, headers=headers, files=files)
    
    # 4. 处理响应
    if response.status_code == 200:
        result = response.json()
        # 根据实际API返回结构调整字段名，这里假设是‘text‘
        recognized_text = result.get('text', '未找到text字段')
        
        print("识别成功！图片中的文字是：")
        print("-" * 30)
        print(recognized_text)
        print("-" * 30)
    else:
        print(f"识别失败，状态码：{response.status_code}")
        print(f"错误详情：{response.text}")

except FileNotFoundError:
    print("错误：未找到图片文件‘test.jpg‘，请检查文件名和路径。")
except Exception as e:
    print(f"程序运行出错：{e}")

我额外添加了 try…except 语句来捕获可能出现的错误，比如图片文件找不到，或者网络问题，这样程序就不会突然崩溃，而是会友好地告诉你哪里出了问题。

4. 运行程序，见证奇迹

保存好你的代码文件。打开命令行，使用 cd 命令切换到存放 first_ocr.py 和 test.jpg 的文件夹。

例如，如果你的文件在桌面上的 my_ocr_project 文件夹里：

cd Desktop/my_ocr_project

然后，运行你的程序：

python first_ocr.py

如果一切顺利，几秒钟后，你将在命令行窗口中看到图片里的文字被清晰地打印出来！那一刻的成就感，就是编程最大的乐趣之一。

5. 可能遇到的问题和小技巧

第一次运行，很可能会遇到一些小麻烦。别担心，这都很正常。

问题1：提示No module named ‘requests‘ 解决：回到第一步，在命令行里运行 pip install requests，确保安装成功。
问题2：提示FileNotFoundError 解决：检查代码里 open(‘test.jpg‘, ‘rb‘) 中的文件名，是否和你文件夹里的图片名字完全一致（包括后缀.jpg或.png）。最好把图片和代码放在同一个文件夹。
问题3：请求失败，状态码是404或500 解决：这通常意味着 api_url 地址不对。请仔细检查你填写的GLM-OCR服务地址是否正确、完整，并确保该服务正在运行。你需要参考该服务的部署文档来获取正确的API端点。
问题4：识别结果为空或乱码 解决：
1. 换一张更清晰、字体更规范的图片试试。
2. 打印出完整的 result 看看（print(json.dumps(result, indent=2, ensure_ascii=False))），确认返回的JSON结构到底是什么，然后调整代码中 result.get(‘text‘) 里的字段名。