1.安装VC_redist.x64库和开启开发者模式

下载VC_redist.x64: 点击这里

在开发者选项，打开开发人员模式

2.第三方库的安装和paddlehub安装

#以下是安装http请求的第三方库
pip install requests
#以下是安装处理文档的第三方库
pip install python-docx
#以下是大量处理维度数组与矩阵运算的第三方库
pip install numpy
#以下是图像处理和计算机视觉方面的很多通用算法的第三方库
pip install opencv-python
#以下是作为底层框架，支持模型的训练和推理GPU版。
pip install paddlepaddle-gpu
#以下是作为底层框架，支持模型的训练和推理CPU版。
pip install paddlepaddle
#以下是提供了模型的管理和一键预测功能
pip install paddleHub
#以下是安装ch_pp-ocrv3模型
hub install ch_pp-ocrv3

3、爬取某度文档的代码

import requests
import os
from docx import Document
import cv2
import numpy as np
import paddlehub as huburl = "https://wenku.baidu.com/gsearch/rec/pcviewdocrec2023?"
header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36 Edg/131.0.0.0"}data = {'sessionId': '3235255445-3246997752--','docId': '3a283569cc84b9d528ea81c758f5f61fb7362802','query': '什么是AI？什么是人工智能？','recPositions': 'catalog,toplist'
}request = requests.get(url,params=data,headers=header)
#print(request)
'''以下测试用的
#响应数据
print(request.text)
#响应头信息
#print(request.headers)
#状态码
#print(request.status_code)
'''#爬取百度文档的图片
i = 0
print(request.text)
output_folder = r"C:/Users/zzx/Desktop/百度文档" + "/"
if not os.path.exists(output_folder):os.makedirs(output_folder)
for index in request.json()["data"]["catalogDoc"]:i+=1pic = index['pic']img_content = requests.get(pic,stream=True).contentwith open(output_folder + index["title"] +str(i) + '.jpg', mode='wb') as f:f.write(img_content)print(i,pic)
# 列出输出文件夹中的图片进行文字识别后转换成文档docx
for filename in os.listdir(output_folder):if filename.endswith('.jpg'):#print(filename)image_path = os.path.join(output_folder,filename)print(image_path)# 使用 numpy 的 fromfile 函数读取图像文件，可以用output_folder中文路径识别图片image_numpy = np.fromfile(image_path, dtype=np.uint8)# 使用 cv2.imdecode 函数解码图像image = cv2.imdecode(image_numpy, cv2.IMREAD_COLOR)print(image)#判断如果图片存在执行if image is not None:# 转换为灰度图像gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 转换为RGB格式（PaddleOCR需要）processed_img = cv2.cvtColor(gray, cv2.COLOR_GRAY2RGB)# OCR识别,mkldnn加速仅在CPU下有效ocr = hub.Module(name="ch_pp-ocrv3", enable_mkldnn=True)results = ocr.recognize_text(images=[processed_img])#生成Word文档doc = Document()if results and len(results) > 0:text_data = results[0]['data']texts = [item['text'] for item in text_data]doc.add_paragraph('\n'.join(texts))# 保存生成的Word文档，使用不同的文件名doc.save(os.path.join(output_folder, f'{filename[:-4]}.docx'))

4、效果

下载的图片

>

通过ch_pp-ocrv3模型识别文字，效果相当好