GLM-OCR保姆级教程：3步搭建专业OCR服务，支持中英文混合识别

Emmamkq~~

193人浏览 · 2026-03-19 00:09:27

Emmamkq~~ · 2026-03-19 00:09:27 发布

GLM-OCR保姆级教程：3步搭建专业OCR服务，支持中英文混合识别

1. 为什么选择GLM-OCR？

在日常工作和学习中，我们经常遇到需要从图片中提取文字的场景——可能是扫描的合同文档、手写的笔记、或是屏幕截图中的关键信息。传统OCR工具往往面临几个痛点：中文识别准确率低、无法处理复杂排版、对模糊图片适应性差。而GLM-OCR正是为解决这些问题而生。

GLM-OCR在权威文档解析基准测试OmniDocBench V1.5中以94.6分取得SOTA表现，其核心优势在于：

多语言支持：完美处理中英文混合内容
专业级精度：对模糊、倾斜、低分辨率图片有强鲁棒性
多功能识别：不仅能识别普通文本，还能解析数学公式和表格结构
轻量高效：单机即可部署，无需昂贵硬件

2. 三步快速搭建OCR服务

2.1 环境准备与部署

GLM-OCR提供开箱即用的Docker镜像，部署过程极其简单。确保你的服务器满足以下要求：

操作系统：Linux (推荐Ubuntu 20.04+)
硬件配置：
- CPU: 4核以上
- 内存: 8GB以上
- 显卡: 非必须，但使用GPU可加速处理

通过以下命令一键获取镜像并启动服务：

# 拉取最新镜像
docker pull csdn-mirror/glm-ocr:latest

# 启动容器（将7860和8080端口映射到主机）
docker run -d --name glm-ocr \
  -p 7860:7860 \
  -p 8080:8080 \
  csdn-mirror/glm-ocr:latest

2.2 Web界面使用指南

服务启动后，在浏览器访问 http://你的服务器IP:7860 即可进入操作界面：

上传图片区域：
- 点击"Upload"按钮或直接拖拽图片到指定区域
- 支持PNG、JPG、JPEG、WEBP等常见格式
识别模式选择：
- 文本识别：适用于普通段落文字
- 公式识别：专为数学公式优化
- 表格识别：自动还原表格结构
获取结果：
- 点击"开始识别"按钮
- 右侧面板将显示识别结果
- 支持一键复制或导出为TXT文件

实用技巧：对于包含多种内容的复杂图片，可以先用"文本识别"模式获取整体内容，再针对特定区域使用专业模式。

2.3 API集成方案

对于需要批量处理的开发者，GLM-OCR提供了RESTful API接口，端口号为8080。以下是Python调用示例：

import requests
from PIL import Image
import io

def ocr_api_call(image_path, mode="text"):
    url = "http://localhost:8080/v1/chat/completions"
    
    # 读取图片并转换为base64
    with open(image_path, "rb") as image_file:
        image_data = image_file.read()
    
    payload = {
        "messages": [
            {
                "role": "user",
                "content": [
                    {"type": "image", "url": f"data:image/png;base64,{image_data}"},
                    {"type": "text", "text": f"{mode.capitalize()} Recognition:"}
                ]
            }
        ]
    }
    
    response = requests.post(url, json=payload)
    return response.json()["choices"][0]["message"]["content"]

# 使用示例
result = ocr_api_call("invoice.jpg", mode="text")
print("识别结果：", result)

3. 高级功能与优化技巧

3.1 混合内容识别策略

当图片中同时包含文本、公式和表格时，可以采用分区域识别策略：

使用OpenCV或PIL库检测图片中的不同区域
根据区域特征选择相应识别模式
最后拼接各区域结果

from PIL import Image
import cv2
import numpy as np

def hybrid_ocr(image_path):
    # 加载图片
    img = cv2.imread(image_path)
    
    # 示例：简单区域检测（实际应使用更复杂的布局分析）
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY_INV)
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    results = []
    for cnt in contours:
        x,y,w,h = cv2.boundingRect(cnt)
        roi = img[y:y+h, x:x+w]
        
        # 保存临时区域图片
        temp_path = "temp_roi.png"
        cv2.imwrite(temp_path, roi)
        
        # 根据区域特征选择模式
        mode = "text"  # 这里简化为文本，实际应添加判断逻辑
        result = ocr_api_call(temp_path, mode)
        results.append((x, result))
    
    # 按x坐标排序后拼接结果
    results.sort()
    final_result = "\n".join([r[1] for r in results])
    return final_result

3.2 识别效果优化方法

提升识别准确率的实用技巧：

图片预处理：
- 调整对比度：cv2.convertScaleAbs(img, alpha=1.2, beta=0)
- 去噪处理：cv2.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21)
区域裁剪：
- 只保留需要识别的部分，减少干扰
- 对表格类内容，确保包含完整的边框线
模式组合：
- 对同一内容尝试不同模式，选择最佳结果
- 对复杂公式，可先用文本模式获取大致内容，再用公式模式精修

3.3 服务监控与管理

通过Supervisor管理服务状态：

# 查看服务状态
supervisorctl status

# 重启Web界面
supervisorctl restart glm-ocr:glm-ocr-webui

# 查看日志（WebUI）
tail -f /root/glm-ocr/logs/webui.stdout.log

# 查看日志（OCR核心）
tail -f /root/glm-ocr/logs/glm-ocr.stdout.log

4. 常见问题解决方案

4.1 服务启动问题

Q：访问7860端口无响应？ A：按顺序检查：

确认容器已运行：docker ps
检查端口映射：docker port glm-ocr
查看日志：docker logs glm-ocr

Q：识别速度慢？ A：可能原因：

首次加载模型需要时间（约1-2分钟）
图片分辨率过高（建议长边不超过2000像素）
服务器资源不足（CPU使用率过高）

4.2 识别准确率问题

Q：中文识别有错误？ A：尝试以下方法：

确保图片清晰度足够（DPI≥300）

对倾斜图片进行矫正：

import numpy as np
from skimage.transform import rotate

def deskew(image):
    coords = np.column_stack(np.where(image > 0))
    angle = cv2.minAreaRect(coords)[-1]
    if angle < -45:
        angle = -(90 + angle)
    else:
        angle = -angle
    return rotate(image, angle, resize=True)