【已删除】
防止异常退出的版本
# encoding:utf-8
import requests
import base64
import json
import time
request_url = "https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic"
# 二进制方式打开图片文件
access_token = '【请替换为你自己的】'
request_url = request_url + "?access_token=" + access_token
headers = {'content-type': 'application/x-www-form-urlencoded'}
def fun(i):
time.sleep(0.1)
print(i)
f = open('{0:04d}'.format(i + 1) + '.jpg', 'rb')
img = base64.b64encode(f.read())
params = {"image": img, "paragraph": 'true'}
response = requests.post(request_url, data=params, headers=headers)
if response:
f2 = open('{0:04d}'.format(i + 1) + '_c.txt', 'w', encoding='utf-8')
json_data = response.json()
final_str = ''
for words_result_idx in json_data['paragraphs_result']:
one_para = ""
for sentence_index in words_result_idx['words_result_idx']:
one_para += json_data['words_result'][sentence_index]['words']
one_para += "\n"
final_str += one_para
f2.write(final_str)
for i in range(305, 468):
try:
fun(i)
except Exception:
time.sleep(0.5)
fun(i)
else:
pass
DOC（X）是私有格式，建议换成自由的ODT格式。
OCR这步工作本身不难，关键是后面的人工校对和排版工作。
贴两篇文章：
维基百科里的内容：
批评[编辑]
微软公司发表的Office Open XML使用许多非标准的规范，造成与其他办公室软件(如LibreOffice)读取时发生不兼容或内容偏移的情形，目的是让Microsoft Office保持市场优势。
ODF(广泛接受的开放文档规范)编码时会使用其他标准规范(如ISO 639、MathML)来进行存储，但OOXML使用非标准的编码进行访问。例如 ODF 里面的颜色代码，不管是表格、文件、演示稿等，红色的代码都是 #FF0000，然而在OOXML里随不同产品，代码分别为：
Word：#FF0000
Excel：#FFFF0000
Powerpoint：#FF0000
OOXML设计的目的是将微软定义的 doc、ppt、xls 二进制格式转成 XML 格式，并没有依照 XML 的特性优化，而其私有格式内含的额外非标准组件也包含在内，例如 ActiveX 等等（过时，且容易用于攻击）；第二个原因是 比尔·盖茨 在 1998 年留下的备忘录，提到“不能让其他浏览器可完美显示 MS Office 文件，只能让自家公司的专属 IE 可正确显示”，现在的状况可以说是微软延续了比尔·盖茨的精神，使“现代的 MS Office 存出的 OOXML 档”刻意做成第三方软件不能完善地解读、呈现，显示OOXML并非如其所声称的开放。[12]
这个“open”不等于“free”。
这个格式问题不是什么大问题，关键是使用自由软件的意识。通常都把OOXML文件跟微软的 Office 联系起来，与之对应的是 ODF （Open Document Format）和 自由软件 LibreOffice。
所以最好不要使用 Office （和 WPS ）来编辑文件，而是改用 LibreOffice ，既然使用了 LibreOffice ，格式上最好也使用 ODF ，即.odt，.odp，.ods。
1 个赞
很有帮助，我可以在此基础上排一下版。
没你说的那么严重， LibreOffice也可以生成docx。
已解决。
格式问题不是什么大问题，关键是使用自由软件的意识。要引导更多人使用自由软件。
1 个赞