Tip
v2.1.4 及以上的版本，才具有文档识别功能。
调用文档识别的流程为：
- 准备工作：开发之前，先查询确认一下参数。👉 说明
- 第1步：上传要识别的文件，获取任务ID。👉 说明
- 第2步：通过ID，轮询任务状态，直到OCR任务结束。👉 说明
- 第3步：生成目标文件（如双层可搜索PDF），获取下载链接。👉 说明
- 第4步：下载目标文件。👉 说明
- 第5步：清理任务。👉 说明
建议参考下述示例代码：
- Python - api_doc_demo.py
- Web - api_doc_demo.html
在不同的情况下（比如使用不同的OCR引擎插件）， 第1步-上传文件 时可以传入不同的参数。
通过 参数查询接口 ，可以获取所有参数的定义、默认值、可选值等信息。
你可以调用查询接口来确认信息，也可以通过查询接口返回的字典来自动化生成前端UI。
URL：/api/doc/get_options
例：http://127.0.0.1:1224/api/doc/get_options
方法：GET
返回一个json字符串，记录 文档上传接口 的参数定义。
以PaddleOCR引擎插件为例，返回值格式化后为：（点击展开）
{
"ocr.language": {
"title": "语言/模型库",
"optionsList": [
["models/config_chinese.txt","简体中文"],
["models/config_en.txt","English"],
["models/config_chinese_cht(v2).txt","繁體中文"],
["models/config_japan.txt","日本語"],
["models/config_korean.txt","한국어"],
["models/config_cyrillic.txt","Русский"]
],
"type": "enum",
"default": "models/config_chinese.txt"
},
"ocr.cls": {
"title": "纠正文本方向",
"default": false,
"toolTip": "启用方向分类，识别倾斜或倒置的文本。可能降低识别速度。",
"type": "boolean"
},
"ocr.limit_side_len": {
"title": "限制图像边长",
"optionsList": [
[960,"960 （默认）"],
[2880,"2880"],
[4320,"4320"],
[999999,"无限制"]
],
"toolTip": "将边长大于该值的图片进行压缩，可以提高识别速度。可能降低识别精度。",
"type": "enum",
"default": 960
},
"tbpu.parser": {
"title": "排版解析方案",
"toolTip": "按什么方式，解析和排序图片中的文字块",
"default": "multi_para",
"optionsList": [
["multi_para","多栏-按自然段换行"],
["multi_line","多栏-总是换行"],
["multi_none","多栏-无换行"],
["single_para","单栏-按自然段换行"],
["single_line","单栏-总是换行"],
["single_none","单栏-无换行"],
["single_code","单栏-保留缩进"],
["none","不做处理"]
],
"type": "enum"
},
"tbpu.ignoreArea": {
"title": "忽略区域",
"toolTip": "数组，每一项为[[左上角x,y],[右下角x,y]]。",
"default": [],
"type": "var"
},
"tbpu.ignoreRangeStart": {
"title": "忽略区域起始",
"toolTip": "忽略区域生效的页数范围起始。从1开始。",
"default": 1,
"type": "number",
"isInt": true
},
"tbpu.ignoreRangeEnd": {
"title": "忽略区域结束",
"toolTip": "忽略区域生效的页数范围结束。可以用负数表示倒数第X页。",
"default": -1,
"type": "number",
"isInt": true
},
"pageRangeStart": {
"title": "OCR页数起始",
"toolTip": "OCR的页数范围起始。从1开始。",
"default": 1,
"type": "number",
"isInt": true
},
"pageRangeEnd": {
"title": "OCR页数结束",
"toolTip": "OCR的页数范围结束。可以用负数表示倒数第X页。",
"default": -1,
"type": "number",
"isInt": true
},
"pageList": {
"title": "OCR页数列表",
"toolTip": "数组，可指定单个或多个页数。例：[1,2,5]表示对第1、2、5页进行OCR。如果与页数范围同时填写，则 pageList 优先。",
"default": [],
"type": "var"
},
"password": {
"title": "密码",
"toolTip": "如果文档已加密，则填写文档密码。",
"default": "",
"type": "text"
},
"doc.extractionMode": {
"title": "内容提取模式",
"toolTip": "若一页文档既存在图片又存在文本，如何进行处理。",
"default": "mixed",
"optionsList": [
["mixed","混合OCR/原文本"],
["fullPage","整页强制OCR"],
["imageOnly","仅OCR图片"],
["textOnly","仅拷贝原有文本"]
],
"type": "enum"
}
}上述返回值中，每个参数有这些属性：
title：参数名称。toolTip：参数说明。default：默认值。type：参数值的类型，具体如下：enum：枚举。参数值必须为optionsList中某一项的[0]。boolean：布尔。参数值必须为true/false。text：字符串。number：数字。如果属性isInt==true，那么必须为整数。var：特殊类型，具体见toolTip的说明。
所有参数都是可选的。任一参数不填时，将被设为默认值。
| 键 | 默认值 | 类型 | 说明 |
|---|---|---|---|
ocr.language |
"models/config_chinese.txt" |
枚举，可选值为字符串："models/config_chinese.txt"、 "models/config_en.txt"、 "models/config_chinese_cht(v2).txt"、 "models/config_japan.txt"、 "models/config_korean.txt"、 "models/config_cyrillic.txt" |
语言/模型库：加载 ./UmiOCR-data/plugins/PaddleOCR-json/models目录中的引擎配置文件，可切换不同语言的配置。注意，此参数仅适用于PaddleOCR引擎插件！其他OCR引擎请自行调用参数查询接口获取。 |
ocr.cls |
false |
布尔，可选true/false |
纠正文本方向：填true时启用方向分类，识别倾斜或倒置的文本。可能降低识别速度。注意，仅适用于PaddleOCR！ |
ocr.limit_side_len |
960 |
枚举，可选值为整数： 960、 2880、 4320、 999999 |
限制图像边长：将边长大于该值的图片进行压缩。较低的限制值可以提高识别速度，较高的限制可以提高大图的识别精度。注意，仅适用于PaddleOCR！ |
tbpu.parser |
"multi_para" |
枚举，可选值为字符串："multi_para"、 "multi_line"、 "multi_none"、 "single_para"、 "single_line"、 "single_none"、 "single_code"、 "none" |
排版解析方案：按什么方式，解析和排序图片中的文字块。可选值的含义请见上方折叠内容tbpu.parser块的optionsList。 |
tbpu.ignoreArea |
[] |
嵌套整数列表 | 忽略区域：处于任意一个忽略区域内的OCR文本块将被舍弃。每个忽略区域用矩形坐标[[左上角x,y],[右下角x,y]]表示。总列表中可存放多个忽略区域，示例：[[[0,0],[100,50]], [[10,100],[110,150]]] |
tbpu.ignoreRangeStart |
1 |
整数 | 忽略区域生效的页数范围起始。从1开始。 |
tbpu.ignoreRangeEnd |
-1 |
整数 | 忽略区域生效的页数范围结束。可以用负数-X表示倒数第X页。 |
pageRangeStart |
1 |
整数 | OCR的页数范围起始。从1开始。 |
pageRangeEnd |
-1 |
整数 | OCR的页数范围结束。可以用负数-X表示倒数第X页。 |
pageList |
[] |
整数列表 | 页数列表：可指定单个或多个页数。例：[1,2,5]表示仅对第1、2、5页进行OCR。如果与页数范围（pageRangeStart、pageRangeEnd）同时填写，则 pageList 优先。 |
password |
"" |
字符串 | 若要识别加密的文档，则需填写文档密码。 |
doc.extractionMode |
"mixed" |
枚举，可选值为字符串： mixed、 fullPage、 imageOnly、 textOnly |
内容提取模式：若一页文档既存在图片又存在文本，如何进行处理。可选值的含义依次为：混合OCR/原文本、整页强制OCR、仅OCR图片、仅拷贝原有文本 |
对于上述参数示例，可以组装出以下的设置字典，最终这些设置将在 第1步：上传待识别文档 时发送给服务器。注意，以下部分参数仅适用于PaddleOCR插件！别的OCR插件请自行调用查询接口获取参数规则。
{
"ocr.language": "models/config_chinese.txt",
"ocr.cls": true,
"ocr.limit_side_len": 4320,
"tbpu.parser": "multi_none",
"tbpu.ignoreArea": [[[0,0],[100,50]], [[10,100],[110,150]], [[200,50],[300,80]]],
"pageRangeStart": 1,
"pageRangeEnd": 10,
"doc.extractionMode": "fullPage",
}JavaScript 示例：（点击展开）
const url = "http://127.0.0.1:1224/api/doc/get_options";
fetch(url, {
method: "GET",
headers: { "Content-Type": "application/json" },
})
.then(response => response.json())
.then(data => { console.log(data); })
.catch(error => { console.error(error); });Python 示例：（点击展开）
import json, requests
response = requests.get("http://127.0.0.1:1224/api/doc/get_options")
res_dict = json.loads(response.text)
print(json.dumps(res_dict, indent=4, ensure_ascii=False))手动调用：
- 确保 Umi-OCR 已在运行。
- 浏览器访问 http://127.0.0.1:1224/api/doc/get_options
- 复制全部内容，粘贴到 在线JSON解析工具 里转换为可读文本。
上传一个文档文件（及配置参数），启动识别任务，返回任务ID。
URL：/api/doc/upload
例：http://127.0.0.1:1224/api/doc/upload
方法：POST
参数：表单 formData ，具有两个键值：
- file ：必填。要上传的文件。
- json ：可选。设置参数字典（json字符串），详情见 查询接口 。
JavaScript 示例：（点击展开）
const fileInput = document.getElementById('file_path').files[0]; // 文件对象
const missionOptions = { // 配置参数字典
"doc.extractionMode": "mixed",
};
// 必须要将字典转换为json字符串
const missionOptionsJSON = JSON.stringify(missionOptions)
// 组装表单
const formData = new FormData();
formData.append('file', fileInput);
formData.append('json', missionOptionsJSON);
let response = await fetch("http://127.0.0.1:1224/api/doc/upload", {
method: 'POST',
body: formData
});返回json字符串，内容为一个字典，键值为：
- code ：（int）任务状态码。
100为上传成功，其余为失败。 - data ：（string）如果上传成功，则为任务ID。失败，则为失败原因。
传入任务ID，返回任务的当前执行状态（进行中/已完成）和识别文本。
URL：/api/doc/result
例：http://127.0.0.1:1224/api/doc/result
方法：POST
参数： json字符串，内容为一个字典，键值为：
- id ：必填，字符串。文件上传接口执行成功后，返回的任务ID。
- is_data ：布尔值。非必填。
true：返回值中包含识别结果。false（默认）：返回值中不包含识别结果，只有简略的任务状态信息。
- is_unread ：布尔值。非必填。
true（默认）：返回未读过的识别结果条目。false：返回全部识别结果条目。
- format ：字符串。非必填。
"dict"（默认）：以字典形式返回详细的识别结果。"text"：以字符串形式返回识别结果文本。
返回json字符串，内容为一个字典，键值为：
- code ：（int）任务状态码。
100为查询成功，其余为失败。 - data ：（string）如果查询失败，则为失败原因。如果查询成功且
is_data=true，则为识别内容。如果查询成功且is_data=false，则为空数组。
以下内容只有 code==100 时才存在：
- processed_count ：（int）已经识别完的页数。
- pages_count ：（int）总页数。
- is_done ：（boolean）
true表示任务已结束（state可能为success或failure），false表示任务仍在进行中。 - state ：（string）任务状态。值的含义：
waiting任务排队中，running任务进行中，success任务成功，failure任务失败。 - message ：（string）只有
state=="failure"才存在此项，表示任务失败的原因。注意，就算任务失败，仍可能通过data获取已完成的部分任务结果。
必须在任务成功结束后才能调用，即第2步查询得知 is_done==true && state=="success" 。
传入任务ID和目标文件类型，生成目标文件，返回目标文件的下载链接。
URL：/api/doc/download
例：http://127.0.0.1:1224/api/doc/download
方法：POST
参数： json字符串，内容为一个字典，键值为：
- id ：必填，字符串。任务ID。
- file_types ：数组，每一项为字符串。只填写一个值时，返回单个文件的下载链接。填写多个值时，返回单个zip压缩包下载链接，其中打包了多个文件。
"pdfLayered"（默认）：双层可搜索PDF。"pdfOneLayer"：单层纯文本PDF。"txt"：带页数等信息的txt文件。"txtPlain"：只含识别文本的txt文件。"jsonl"：与result接口，format="dict"的格式类似。每行为一个json对象。"csv"：表格，每行为一页的识别文本。
- ignore_blank ：布尔值。是否忽略空页（没有文字的页数）。
true（默认）：如 txt、csv 等文件中，会跳过空页。false：不跳过空页，文件中空页的内容记为空字符串。
注： Umi-OCR
v2.1.4及以前的版本，ignore_blank参数存在问题，请使用最新版本。
返回json字符串，内容为一个字典，键值为：
- code ：（int）任务状态码。
100为成功生成目标文件，其余为无法生成目标文件。 - data ：（string）如果成功，则为下载链接。如果失败，则为失败原因。
- name ：（string）只有成功时才存在此项。下载链接对应的文件名。
第3步获取的下载链接，可通过get请求下载，或者直接用浏览器打开下载。
链接中类似id的部分， 不是 任务ID。 不能 通过任务ID拼接出下载链接。
在URL中拼接任务ID，清理对应的任务。
URL：/api/doc/clear/<id>
例：http://127.0.0.1:1224/api/doc/clear/cbe2f874-84a9-48b4-a6c0-9157245f7bae
方法：GET
返回json字符串，内容为一个字典，键值为：
- code ：（int）状态码。
100为清理成功，其余为清理失败（或者不存在对应任务）。 - data ：（string）原因。
任务清理将删除此任务存放在服务器上的所有临时文件（包括上传的文件）。如果任务进行中时执行清理，将强制终止任务。
一个任务被清理后，无法再获取任务状态、访问下载链接。
建议调用者在每次完成任务后手动清理任务，以便及时释放服务器资源。如果不手动清理，任务会在24小时后自动清理。
- 如果任务上传后一直在进行，那么最长持续运行24小时。
- 如果任务已完成，那么从完成的时候开始算，最长保留24小时。
如果 Umi-OCR 被意外关闭，那么重新启动时自动清理上次遗留的所有任务。