google cloud vision api（source path-gcsSource）是否支持PDF文件中的图像检测（图像包含文本）？

Question

我正在使用带有 TEXT_DETECTION 和 DOCUMENT_TEXT_DETECTION 的 OCR 来处理 pdf 文件（InputConfig mimeType-“application/pdf”）。当前图像在处理时被跳过。有什么方法可以处理 PDF 文件中的图像（有文本）？

Answer 1

要回答您的问题，是的，有一种方法可以处理带有 PDF 文件中的文本的图像。根据谷歌官方文档，通常是使用OCR DOCUMENT_TEXT_DETECTION [1]。

Vision API 可以检测和转录存储在 Cloud Storage 中的 PDF 和 TIFF 文件中的文本。必须使用 files:asyncBatchAnnotate 函数请求来自 PDF 和 TIFF 的文档文本检测，该函数执行离线（异步）请求并使用操作资源提供其状态。 PDF/TIFF 请求的输出将写入在指定 Cloud Storage 存储分区中创建的 JSON 文件。[2]

[1]https://cloud.google.com/vision/docs/ocr#optical_character_recognition_ocr [2]https://cloud.google.com/vision/docs/pdf#vision_text_detection_pdf_gcs-gcloud

编辑

我不知道您使用的是什么语言，但我尝试了这个 python 代码，它处理带有图像的 pdf 而不会跳过它们。

你需要安装google-cloud-storage和google-cloud-vision。

在 gcs_source_uri 上，您必须指定您的存储桶名称和您正在使用的 pdf 文件。

在gcs_destination_uri 上，您只需指定您的存储桶名称，让pdf_result 保持原样。

import os
import re
import json
from google.cloud import vision
from google.cloud import storage
 
"""
#pip install --upgrade google-cloud-storage
#pip install --upgrade google-cloud-vision
"""
credential_path = 'your_path'
os.environ['GOOGLE_APPLICATION_CREDENTIALS'] = credential_path
 
client = vision.ImageAnnotatorClient()
 
batch_size = 2
mime_type = 'application/pdf'
feature = vision.Feature(
       type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION)
gcs_source_uri= 'gs://your_bucketname/your_pdf_File.pdf'
gcs_source = vision.GcsSource(uri=gcs_source_uri)
input_config = vision.InputConfig(gcs_source=gcs_source, mime_type=mime_type)
 
gcs_destination_uri = 'gs://your_bucketname/pdf_result'
gcs_destination = vision.GcsDestination(uri=gcs_destination_uri)
output_config = vision.OutputConfig(gcs_destination=gcs_destination, batch_size= batch_size)
async_request = vision.AsyncAnnotateFileRequest(
   features=[feature], input_config=input_config, output_config=output_config
)
operation = client.async_batch_annotate_files(requests=[async_request])
 
operation.result(timeout=180)
 
storage_client = storage.Client()
match = re.match(r'gs://([^/]+)/(.+)', gcs_destination_uri)
bucket_name = match.group(1)
prefix = match.group(2)
bucket = storage_client.get_bucket(bucket_name)
 
#List object with the given prefix
blob_list = list(bucket.list_blobs(prefix=prefix))
print('Output files: ')
for blob in blob_list:
   print(blob.name)
 
output = blob_list[0]
json_string = output.download_as_string()
response = json.loads(json_string)
 
first_page_response = response['responses'][0]
annotation = first_page_response['fullTextAnnotation']
 
 
print('Full text:\n')
print(annotation['text'])