Question

我正在使用Google OCR API，并且正在读取图像和PDF文件，可以读取和处理图像文件，但是对于Google OCR API documentation的PDF文件，他们提到我们需要将我们的文档存储到Google Cloud服务中。

话虽如此，由于数据的机密性，我无法将数据存储到Google Cloud中，并希望从本地系统上载PDF以便从PDF文件读取文本。我需要您的输入，是否可以从本地磁盘上传PDF，然后进行处理，而不是将文件上传到Google Cloud？在这方面，您的合作将受到高度赞赏。

关于， Zeeshan

Answer 1

如您所说，不可能在本地进行。我代表您提交了功能请求[1]，让您关注其中的更新。

无论如何，我有一个可能的解决方法，可以满足您的数据机密性意识。它包括使用Cloud Storage Client库[2]上传和删除这些文件：

您在本地拥有PDF文件，没有包含它的存储桶。
将其上传到存储桶[3]
使用该存储桶+文件URI通过Cloud Vision API读取它并将结果存储在存储桶中
将结果文件下载到本地计算机[4]
从存储桶[5]中删除PDF文件和结果文件

只要您不介意在短时间内将这些文件存储在存储桶中，此方法就应该起作用。

Answer 2

本地存储文件的代码不在文档特定部分下，而是在这里：https://cloud.google.com/vision/docs/file-small-batch

我在下面总结了GCP和本地选项的代码。

# imports
from google.cloud import vision
from google.cloud.vision_v1 import enums
import io

# Set up Vision API
from google.cloud import vision
client = vision.ImageAnnotatorClient()
features = [{"type": enums.Feature.Type.DOCUMENT_TEXT_DETECTION}]
mime_type = 'application/pdf'

# from GCP
gcs_source_uri = "gs://bk-bucketname/example.pdf"
gcs_source = vision.types.GcsSource(uri=gcs_source_uri)
input_gcp = vision.types.InputConfig(gcs_source=gcs_source, mime_type=mime_type)

# from local
file_path = "./example.pdf"
with io.open(file_path, "rb") as f:
     content = f.read()
input_local = {"mime_type": mime_type, "content": content}

# send the api request
pages = [1] # list of page#s, 5max for online / 2000max for offline/async
requests = [{"input_config": input_local, "features": features, "pages": pages}]
response = client.batch_annotate_files(requests)

Answer 3

您可以将 PDF 拆分为页面，将它们单独发送到在线 OCR API，然后按顺序合并结果。或者，您可以依靠可以为您完成的 OCR 服务，例如 https://base64.ai/demo/document-processing/ocr

google-cloud-vision如何阅读pdf文件

3 个答案: