当前位置：首页 > news >正文

GLM-OCR基础教程：3步快速部署与Python爬虫数据提取实战

news 2026/8/25 22:21:16

GLM-OCR基础教程：3步快速部署与Python爬虫数据提取实战

你是不是经常遇到这样的场景：看到一个网页上有大量有用的文字信息，比如产品参数、新闻内容或者表格数据，但网站偏偏不提供下载，手动复制粘贴又慢又容易出错？或者，你拿到了一些图片格式的文档，里面的文字没法直接复制，只能干瞪眼？

今天要聊的GLM-OCR，就是专门解决这类问题的利器。它是一款开源的文字识别工具，简单说，就是能把图片里的文字“读”出来，变成你可以编辑和处理的文本。更棒的是，现在我们可以把它部署在云端，再配合Python爬虫，就能轻松实现网页信息的自动化抓取和识别。

这篇教程，我就手把手带你走一遍。从零开始，在星图GPU平台上把GLM-OCR跑起来，再到写一个Python脚本，让它自动抓网页、识文字、存数据。整个过程非常直接，哪怕你之前没怎么接触过OCR或者爬虫，跟着做也能搞定。

1. 环境准备与快速部署

万事开头难，但这次开头特别简单。我们不需要在本地电脑上折腾复杂的Python环境或者CUDA驱动，一切都在云端完成。

1.1 注册与资源准备

首先，你需要有一个星图平台的账号。这个过程和注册任何一个普通网站没什么区别，按照提示填写邮箱、设置密码就行，几分钟就能完成。

登录之后，关键一步是领取或者确保你有可用的GPU资源。GLM-OCR在处理图片时，有GPU加速会快很多。在星图平台，新用户通常会有一些免费的体验资源，足够我们完成这个教程。你可以在“资源中心”或类似页面查看你的GPU时长，确认它处于“可用”状态就行。

1.2 一键部署GLM-OCR镜像

这是最核心的一步，但操作上却是最简单的。

在星图平台找到“镜像广场”或“应用市场”。
在搜索框里输入“GLM-OCR”，你应该能很快找到对应的开源镜像。它的介绍页面通常会写明版本信息和基本功能。
点击“部署”或“创建实例”按钮。这时，平台会弹出一个配置页面。

配置页面看起来选项不少，但我们需要关注的只有几个：

实例名称：给你这个“云端机器”起个名字，比如“my-ocr-service”，方便自己识别。
GPU规格：选择最基础的GPU型号即可，例如“RTX 4090”或类似选项，对于我们的测试和轻量使用完全够用。
镜像选择：系统应该已经自动选中了刚才搜索到的GLM-OCR镜像，确认一下版本无误。
网络与存储：保持默认设置，通常不需要改动。

其他高级设置，比如自定义端口、环境变量，在第一次部署时可以先跳过。最后，点击“确认部署”或“立即创建”。平台会开始拉取镜像并启动实例，这个过程需要一两分钟，喝口水等待一下就好。

1.3 验证服务是否启动成功

实例状态变成“运行中”后，点击进入它的详情页。我们需要找到服务的访问方式。

通常，GLM-OCR这类镜像会提供一个Web界面（比如一个简单的交互页面）和一个更重要的API接口地址。API地址看起来像http://你的实例IP:端口号。你可以在实例的“访问方式”或“服务地址”栏目找到它。

怎么验证它真的在工作呢？最简单的方法就是把这个API地址直接粘贴到浏览器的地址栏里访问一下。如果返回了一些JSON格式的信息，比如{“status”: “ok”, “message”: “GLM-OCR service is running”}，或者是一个简单的欢迎页面，那就说明服务已经成功启动了。

至此，你的专属OCR识别引擎就已经在云端待命了。接下来，我们就要学习怎么指挥它干活。

2. 认识GLM-OCR：它能做什么？

在动手写代码之前，我们先花几分钟了解一下GLM-OCR的基本能力，这样用起来心里更有底。

本质上，它是一个接收图片、返回文字的工具。你给它一张包含文字的图片，它就能把图片里的文字内容识别出来，以结构化的文本（比如字符串、段落）还给你。它特别擅长处理印刷体文字，比如截图、扫描文档、宣传海报上的文字，识别准确率在大多数场景下都相当不错。

它通常通过一个HTTP API来提供服务。这意味着，你不需要在代码里导入复杂的库，只需要像访问一个普通网页一样，向某个特定的网址（就是刚才部署得到的API地址）发送一张图片，它就会把识别结果传回来。

这个API的调用格式也很简单。最常见的是使用一个/predict或/ocr这样的路径。你需要发送一个POST请求，并把图片数据放在请求里。服务器处理完后，会返回一个JSON对象，里面就包含了识别出的文本、文字在图片中的位置（边框坐标）等信息。

听起来是不是和用搜索引擎差不多？只不过我们“搜索”的是图片里的文字信息。有了这个基础认识，我们就可以进入最有趣的环节——让它和爬虫联动起来。

3. Python爬虫与OCR联动实战

现在我们来搭建一个自动化流程：用爬虫获取网页上的图片，然后用GLM-OCR识别图片中的文字，最后把结果保存下来。我会用一个模拟的场景来演示，你可以轻松替换成你自己的目标网站。

3.1 项目初始化与依赖安装

在你的本地电脑上，新建一个文件夹，比如叫web_ocr_scraper。然后打开命令行，进入这个文件夹，创建一个新的Python虚拟环境（这是个好习惯，可以避免包版本冲突）：

python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Mac/Linux: source venv/bin/activate

激活虚拟环境后，安装我们需要的Python库：

pip install requests pillow beautifulsoup4

requests：用来发送HTTP请求，既用于爬虫抓取网页，也用于调用OCR的API。
pillow(PIL)：一个强大的图像处理库，这里我们主要用它来打开和保存图片。
beautifulsoup4：用来解析HTML网页，轻松地从中提取出图片链接。

3.2 第一步：编写网页图片抓取脚本

我们写一个函数，它的任务是访问一个网页，并把网页里所有的图片下载到本地。这里我们以一个图片网站为例。

import os import requests from bs4 import BeautifulSoup from urllib.parse import urljoin def download_images_from_url(url, save_dir='downloaded_images'): """ 从指定URL下载所有图片到本地文件夹 """ # 创建保存图片的目录 if not os.path.exists(save_dir): os.makedirs(save_dir) try: # 1. 获取网页内容 headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36' } response = requests.get(url, headers=headers) response.raise_for_status() # 检查请求是否成功 html_content = response.text # 2. 解析HTML，找到所有图片标签 soup = BeautifulSoup(html_content, 'html.parser') img_tags = soup.find_all('img') downloaded_paths = [] for i, img_tag in enumerate(img_tags): # 获取图片的src链接 img_url = img_tag.get('src') if not img_url: continue # 处理相对路径，拼接成完整URL full_img_url = urljoin(url, img_url) try: # 3. 下载图片 img_data = requests.get(full_img_url, headers=headers).content # 生成一个本地文件名 file_extension = os.path.splitext(full_img_url)[1] or '.jpg' filename = f"image_{i}{file_extension}" filepath = os.path.join(save_dir, filename) # 4. 保存图片到本地 with open(filepath, 'wb') as f: f.write(img_data) print(f"已下载: {filename}") downloaded_paths.append(filepath) except Exception as e: print(f"下载图片失败 {full_img_url}: {e}") return downloaded_paths except Exception as e: print(f"处理网页失败: {e}") return [] # 测试一下这个函数 if __name__ == '__main__': # 替换成你想抓取的任何包含图片的网页地址 test_url = "https://example.com" image_files = download_images_from_url(test_url) print(f"总共下载了 {len(image_files)} 张图片。")

注意：在实际使用时，请务必将test_url替换成目标网站地址，并遵守该网站的robots.txt协议和相关使用条款，避免对服务器造成压力。

3.3 第二步：调用GLM-OCR API识别文字

图片下载好了，现在轮到GLM-OCR出场。我们写另一个函数，负责把图片发送给云端服务并取回识别结果。

import base64 def ocr_image_via_api(image_path, api_base_url): """ 将本地图片发送到GLM-OCR API进行识别 """ # 构造完整的API端点，这里假设是 /predict api_endpoint = f"{api_base_url.rstrip('/')}/predict" try: # 1. 读取图片文件并编码为base64（一种常见的API传输方式） with open(image_path, 'rb') as image_file: image_data = base64.b64encode(image_file.read()).decode('utf-8') # 2. 准备请求数据 payload = { "image": image_data, # 有些API可能需要其他参数，如 language, detail_level 等 # 请根据你部署的GLM-OCR镜像的具体API文档调整 } # 3. 发送POST请求 headers = {'Content-Type': 'application/json'} response = requests.post(api_endpoint, json=payload, headers=headers, timeout=30) response.raise_for_status() # 4. 解析返回的JSON结果 result = response.json() # 返回的结果结构可能包含 text, boxes 等字段 # 例如：{'text': '识别出的文字内容', 'confidence': 0.98} return result except requests.exceptions.RequestException as e: print(f"调用OCR API失败 ({image_path}): {e}") return None except Exception as e: print(f"处理图片时发生错误 ({image_path}): {e}") return None # 测试单张图片识别 if __name__ == '__main__': # 替换成你部署GLM-OCR后得到的真实API地址 YOUR_API_BASE_URL = "http://你的实例IP:端口号" test_image = "downloaded_images/image_0.jpg" # 假设这是刚才下载的图片 ocr_result = ocr_image_via_api(test_image, YOUR_API_BASE_URL) if ocr_result: print("识别结果:", ocr_result.get('text', 'No text field found')) # 你可以根据API实际返回的结构，打印更多信息，比如文字框位置

关键点：你需要把YOUR_API_BASE_URL替换成你在第1步部署成功后得到的那个真实地址。另外，不同版本的GLM-OCR镜像，其API的请求格式和返回字段可能略有不同，最好能参考一下该镜像的说明文档。

3.4 第三步：整合流程与数据保存

最后，我们把前两步串联起来，形成一个完整的自动化脚本，并把识别出的文字保存到文件里，比如一个CSV表格，方便后续分析。

import csv import time def main_scraping_and_ocr_pipeline(target_url, api_url, output_csv='ocr_results.csv'): """ 主流程：抓图 -> OCR识别 -> 保存结果 """ print("开始网页图片抓取...") image_paths = download_images_from_url(target_url) if not image_paths: print("未下载到任何图片，流程终止。") return print(f"开始对 {len(image_paths)} 张图片进行OCR识别...") all_results = [] for img_path in image_paths: print(f"正在处理: {os.path.basename(img_path)}") result = ocr_image_via_api(img_path, api_url) if result: # 整理结果，这里我们简单保存图片名和识别出的文本 # 你可以根据需要保存更多信息，如置信度、坐标等 record = { 'image_filename': os.path.basename(img_path), 'recognized_text': result.get('text', ''), 'source_url': target_url, 'process_time': time.strftime('%Y-%m-%d %H:%M:%S') } all_results.append(record) else: print(f" -> {os.path.basename(img_path)} 识别失败。") # 为了避免对API服务器造成过大压力，可以添加短暂延迟 time.sleep(0.5) # 将结果保存到CSV文件 if all_results: fieldnames = ['image_filename', 'recognized_text', 'source_url', 'process_time'] with open(output_csv, 'w', newline='', encoding='utf-8-sig') as csvfile: writer = csv.DictWriter(csvfile, fieldnames=fieldnames) writer.writeheader() writer.writerows(all_results) print(f"所有识别完成！结果已保存至: {output_csv}") else: print("没有成功的识别结果可保存。") # 运行完整流程 if __name__ == '__main__': TARGET_WEBSITE = "https://example.com" # 你的目标网站 GLM_OCR_API = "http://你的实例IP:端口号" # 你的OCR服务地址 main_scraping_and_ocr_pipeline(TARGET_WEBSITE, GLM_OCR_API)

运行这个脚本，你就会得到一个ocr_results.csv文件，用Excel或文本编辑器打开，里面整齐地记录着每张图片的名字和识别出的文字内容。一个简单的网页信息自动化提取工具就诞生了。

4. 常见问题与实用技巧

第一次跑通整个流程，你可能会遇到一些小麻烦。这里我总结几个常见的情况和解决办法。

问题一：调用OCR API时返回连接错误或超时。

检查：首先确认你的云实例状态是“运行中”，而不是“已停止”。然后，在本地电脑的浏览器里，再次尝试访问那个API地址，看是否能打开。如果打不开，可能是网络配置问题，检查实例的安全组或防火墙规则，确保你部署时开放的端口（比如7860、8080）是允许访问的。
尝试：有时候公网IP会变，去实例详情页确认一下最新的访问地址。

问题二：识别结果乱码或准确率不高。

调整图片：OCR的识别效果很大程度上取决于图片质量。尝试在发送前对图片进行一些预处理，比如使用PIL库将图片转为灰度图、增加对比度或进行二值化处理，往往能提升识别效果。

from PIL import Image, ImageEnhance def preprocess_image_for_ocr(image_path): img = Image.open(image_path) # 转为灰度图 img = img.convert('L') # 增强对比度 enhancer = ImageEnhance.Contrast(img) img = enhancer.enhance(2.0) # 增强因子，可调整 processed_path = image_path.replace('.jpg', '_processed.jpg') img.save(processed_path) return processed_path