Chainlit结合百度飞浆的ocr识别和nlp自然语言处理做图片文字信息提取

PP飞桨简介

PaddlePaddle（PArallel Distributed Deep LEarning），是由百度公司开发的一款开源深度学习平台，支持动态和静态图模式，提供了从模型构建到训练、预测等一系列的功能。PaddlePaddle 的设计目标是让开发者能够更容易地实现、训练和部署自己的深度学习模型。它支持多种操作系统，并提供了多种编程接口，包括 Python 和 C++。

PaddleOCR：PaddleOCR 是基于 PaddlePaddle 的 OCR（Optical Character Recognition，光学字符识别）工具包，主要用于文字检测和识别任务。它可以识别多种语言的文字，并且支持多种预训练模型。PaddleOCR 提供了一个简单易用的接口，让用户能够快速地进行文字识别任务，同时也可以根据具体需求进行模型的微调和扩展。
Paddlenlp：Paddlenlp 是一个自然语言处理（NLP, Natural Language Processing）工具包，基于 PaddlePaddle 构建。它为文本分类、命名实体识别、情感分析等多种 NLP 任务提供了预训练模型和相应的 API。Paddlenlp 旨在帮助研究人员和开发者快速构建和测试 NLP 模型，并提供了丰富的中文预训练模型资源。

官网地址：https://www.paddlepaddle.org.cn/

快速上手

chainlit_chat_11">创建一个文件，例如“chainlit_chat”

mkdir chainlit_chat

进入 chainlit_chat文件夹下，执行命令创建python 虚拟环境空间(需要提前安装好python sdk。 Chainlit 需要python>=3.8。,具体操作，由于文章长度问题就不在叙述，自行百度)，命令如下：

python -m venv .venv

这一步是避免python第三方库冲突，省事版可以跳过
.venv是创建的虚拟空间文件夹可以自定义

接下来激活你创建虚拟空间，命令如下：

#linux or mac
source .venv/bin/activate
#windows
.venv\Scripts\activate

在项目根目录下创建`requirements.txt`，内容如下：

chainlit~=1.1.306
paddlepaddle
paddleocr
paddlenlp
colorama
openai

在项目根目录下创建`.env`环境变量，配置如下：

OPENAI_BASE_URL="https://open.bigmodel.cn/api/paas/v4"
OPENAI_API_KEY="your-api-key"

OPENAI_BASE_URL 是 openai的api 的base地址，如果你能直接使用openai,这可以不设置，这里我用的是智谱GLM-4,因为他和openai的接口兼容
OPENAI_API_KEY 替换成你自己的API 密匙

执行以下命令安装依赖：

pip install -r .\requirements.txt

安装后，项目根目录下会多出.chainlit 和.files文件夹和chainlit.md文件

在项目根目录下创建app.py文件，代码如下：

import base64
import reimport chainlit as cl
from chainlit.input_widget import Select, Slider, Switch
from openai import AsyncOpenAI
from paddleocr import PaddleOCRfrom fp import ocr_nlp_processor# 初始化 PaddleOCR 模型
# 需运行一次以下载并加载模型到内存中
ocr = PaddleOCR(use_angle_cls=True, lang="ch")client = AsyncOpenAI()def encode_image(image_path):with open(image_path, "rb") as image_file:return base64.b64encode(image_file.read()).decode("utf-8")@cl.on_settings_update
async def on_settings_update(settings: cl.chat_settings):cl.user_session.set("settings", settings)# 提取数字
def get_number(value):# 提取文本中的数字部分number_pattern = re.compile(r'\d+')result = number_pattern.search(value)if result:extracted_number = result.group()return f"'{extracted_number}"  # 添加'else:return value  # 如果没有找到数字，直接返回原始值@cl.step(type="tool", name="图片OCR识别")
async def tool(images, content):text_result = ""if images:for image in images:print(image)# 使用 PaddleOCR 模型进行文字识别result = ocr.ocr(image.path, cls=True)# 打印识别结果print(result)for idx in range(len(result)):res = result[idx]for line in res:text_result += line[1][0]+'\n'ocr_nlp_processor(text_result)return text_result@cl.on_chat_start
async def start_chat():settings = await cl.ChatSettings([Select(id="Model",label="Model",values=["llava:7b", "qwen-vl-plus", "qwen-vl-max"],initial_index=0,),Slider(id="Temperature",label="Temperature",initial=0.5,min=0,max=2,step=0.1,),Slider(id="MaxTokens",label="MaxTokens",initial=1000,min=1000,max=3000,step=100,),Switch(id="Streaming", label="Stream Tokens", initial=True),]).send()cl.user_session.set("settings", settings)content = "你好，我是泰山AI智能客服，有什么可以帮助您吗？"msg = cl.Message(content=content)await msg.send()@cl.on_message
async def on_message(message: cl.Message):images = [file for file in message.elements if "image" in file.mime]msg = cl.Message(content="")await msg.send()tool_res = await tool(images, message.content)await msg.stream_token(tool_res)await msg.update()async def on_message1(message: cl.Message):settings = cl.user_session.get("settings")streaming = settings['Streaming']images = [file for file in message.elements if "image" in file.mime]msg = cl.Message(content="")await msg.send()tool_res = await tool(images)elements = []if tool_res:messages = [{"role": "user","content": [{"type": "text", "text": f"{tool_res},将内容格式化为xx年纪xx科目输出"}],}]response = await client.chat.completions.create(model=settings['Model'],messages=messages,temperature=settings['Temperature'],max_tokens=int(settings['MaxTokens']),stream=streaming)if streaming:async for part in response:if token := part.choices[0].delta.content or "":await msg.stream_token(token)msg.elements = elementselse:if token := response.choices[0].message.content or "":await msg.stream_token(token)else:await msg.stream_token("不能识别")await msg.update()

在项目根目录下创建fp.py文件，代码如下：

import os
import timefrom colorama import Fore
from paddlenlp import Taskflow
from paddleocr import PaddleOCRocr = PaddleOCR(use_angle_cls=True, lang="ch")# 获取当前脚本文件的目录
script_directory = os.path.dirname(os.path.abspath(__file__))# 构建 blank.jpg 的路径
blank_image_path = os.path.join(script_directory, "blank.jpg")def ocr_nlp_processor(text):"""将OCR和NLP结合处理的函数。返回:无，直接将识别结果写入到指定的输出文件中。"""schema = ['教育部审定', '年级', '出版社']# 初始化NLP任务docPromptTask = Taskflow("information_extraction", schema=schema)# 记录程序开始时间start_time = time.time()# 执行NLP任务nlp_result = docPromptTask(text)print('nlp_result', nlp_result)# 计算程序执行时间end_time = time.time()total_time_seconds = end_time - start_time# 打印文件处理完成的消息和运行总耗时print(Fore.GREEN + f"==> 本次NLP运行总耗时：{total_time_seconds:.2f} 秒")