google-cloud-vision如何读取pdf文件

Question

我正在使用谷歌OCR API，我正在阅读图像和PDF文件，我能够读取和处理图像文件，但是，对于PDF文件，根据Google OCR API documentation，他们已经提到，我们需要将我们的文档存储到谷歌云服务。

话虽如此，由于数据的保密性，我不能将我的数据存储到Google Cloud中，我想从我的本地系统上传我的PDF，以便从PDF文件中读取文本。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？

Answer 1

正如您所说，在本地不可能做到这一点。我代表你提交了一个功能请求[1]，让你关注那里的更新。

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。它包括使用云存储客户端库[2]来上传和删除这些文件：

将其上传到存储桶[3]

• Use该存储桶URI，以便通过Cloud Vision

1. 读取它，并将结果以存储桶[5]

的形式存储到本地计算机中[4]

• Delete

1. 和来自存储桶[5]

的结果文件

只要您不介意将这些文件放在存储桶中一小段时间，这应该是有效的。

Answer 2

本地存储的文件的代码不在文档特定部分下，而在此处：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拆分为多个页面，将它们分别发送到在线OCR API，然后按顺序合并结果。或者，您也可以依赖于可以为您完成此操作的OCR服务，如https://base64.ai/demo/document-processing/ocr