文字识别文档智能助力在大规模突发事件背景下社交媒体图片中时间、

文档智能的社会效益
在大规模社会性突发事件背景下，由于传播渠道有限和实时性要求，处于困境中的个人往往会在公开社交媒体上发布求助信息；
这种信息的格式通常是：何时何地何人需要何种帮助，
尤其是时间、地点这两个关键信息非常重要，时间可以用来记录存档和判断信息是否过期，假如没有地点信息，就好比消防队员不知道去哪救火、红十字会不知道去哪发放物资...
每逢这种背景，通常有这样的监控系统出现，实时采集各大平台中的相关话题的求助信息，智能解析信息后给予当事人及时的救助。
例如从一段微博文本中，提取时间、地点、人物、联系电话等关键信息，
但是信息不都是纯文本，特别是在这样一个信息过载的时代，越来越多的人选择发图片文字，这样一种更加直观易读的方式。
所以在从文本中提取结构性信息前，还需要增加一步 OCR 处理，一种将输入、手写或印刷体文本从图片转换为机器编码文本的基础技术。
这两个标准步骤，不仅在社会救助实践上大有可为，而且在不少应急管理的科研课题上提供技术支撑。
几年前我如何做内容文档抽取
我几年前的时候，就给老师做过这样一个科研项目，有关 2021 河南暴雨事件，采集一个河南暴雨互助超话下的所有微博，并下载所有图片，然后利用 OCR 提取图片中的数据，交给下游任务处理。
当时好像用的是 Tesseract OCR 框架处理图片转文本，再使用从改编的算法从文本中提取信息，不仅流程长，依赖多，精确率有待提高。
当今腾讯云的智能文档抽取
但是现在是2025年了，刚好看到腾讯云出了文档智能产品，官网是这样宣传的：
具备全面的行业覆盖能力，能精确识别包括卡证、物流单据、工业标签、服务合同及医疗报告在内的多种文件。
听这名字，不仅 OCR，而且文档抽取，敢情是把上面两个步骤一步到位了？
说干就干，于是我参考在腾讯云 OCR 文档，折腾了下，果真如此，特此记录分享出来。
现在的我们可以怎么做智能文档抽取
获取 SecretId 和 SecretKey
为了保护隐私，我将使用下面这个文本图片（demo.jpg）作为演示，提取图片中的时间、地点等结构信息，
文本本身不具有真实性，仅供测试。
﻿
第一步，需要先在腾讯云开通文档智能服务，开通控制台和文档都在下面这个链接，现在开通还有免费额度赠送，
https://cloud.tencent.com/product/doc-ai
按照文档中的最佳实践操作，需要注意的是，为了资源安全，最好开通一个子账号，
因为腾讯云所有的产品默认都可以由主账号的一个 SecretId 和 SecretKey 控制，这很危险，不小心被别人拿到开通各种付费服务就麻烦了。
所以推荐创建一个子账号，然后只授权这个子账号 QcloudOCRReadOnlyaccess 这一个文字识别只读访问权限，只允许访问文字识别所有读接口，包含调用所有 OCR 接口、允许查看所有账号用量等；
在下面这个页面可以开通子账号：
https://console.cloud.tencent.com/cam
授权后在这个子账号下新建一个 API 密钥，注意在新建时保存 SecretId 和 SecretKey，SecretKey 只在创建时可见可复制。
拿到 SecretId和 SecretKey后，第一步就算完成了。
使用 Python 请求服务
首先安装腾讯云最新版本的 Python SDK：
pip install --upgrade tencentcloud-sdk-python
然后使用下面这份代码，坑我踩了，0 报错 0 警告，拿去用即可。
// step 1 初始化 SDK Auth Client
def initClient():
    # 实例化一个认证对象，入参需要传入腾讯云账户 SecretId 和 SecretKey，此处还需注意密钥对的保密
    # 代码泄露可能会导致 SecretId 和 SecretKey 泄露，并威胁账号下所有资源的安全性。
    cred = credential.Credential("替换成您自己的 SecretId", "替换成您自己的 SecretKey")
    # 实例化一个http选项，可选的，没有特殊需求可以跳过
    http_profile = HttpProfile()
    http_profile.endpoint = "ocr.tencentcloudapi.com"
﻿
    # 实例化一个client选项，可选的，没有特殊需求可以跳过
    client_profile = ClientProfile()
    client_profile.httpProfile = http_profile
    # 实例化要请求产品的client对象,clientProfile是可选的
    client = ocr_client.OcrClient(cred, "", client_profile)
    return client
由于调用服务需要把二进制图片转成 Base64 字符串，下面是两个工具函数。
def getFileContent(file_path):
    with open(file_path, 'rb') as fp:
        return fp.read()
﻿
﻿
def imageToBase64(image_path):
    # 读取图片文件的二进制数据
﻿
    binary_data = getFileContent(image_path)
    # 使用 base64 编码二进制数据
    base64_encoded_data = base64.b64encode(binary_data)
    # 将 base64 编码的二进制数据转换为字符串
    base64_message = base64_encoded_data.decode('utf-8')
﻿
    return base64_message
构建文档抽取（多模态版）请求，并且获得响应：
def buildTencentSmartStructuralOCRV2(image_file_path):
    try:
        client = initClient()
        # 实例化一个请求对象,每个接口都会对应一个request对象
        req = models.SmartStructuralOCRV2Request()
        params = {
            "ImageBase64": imageToBase64(image_file_path),
            "ItemNames": ["日期", "地点"],
            "ReturnFullText": False
        }
        req.from_json_string(json.dumps(params))
﻿
        # 返回的resp是一个SmartStructuralOCRV2Response的实例，与请求对象对应
        resp = client.SmartStructuralOCRV2(req)
        # 输出json格式的字符串回包
        print(resp.to_json_string())
        return json.loads(resp.to_json_string())
﻿
    except TencentCloudSDKException as err:
        print(err)
        return None
参数 ItemNames指明了我们需要解析的文本字段列表，您也可以尝试更多的一些字段，
SDK 给我们的响应输出是一个字符串，在此我把它转成了 JSON 格式，方便后续的响应解析，获得我们目标数据。
传入上文的测试文本图片 demo.jpg，输出内容如下：
{
    "Angle": -0.02881504036486149,
    "StructuralList": [
        {
            "Groups": [
                {
                    "Lines": [
                        {
                            "Key": {
                                "AutoName": "日期",
                                "ConfigName": null
                            },
                            "Value": {
                                "AutoContent": "2025年1月5日",
                                "Coord": {
                                    "LeftTop": {
                                        "X": 457,
                                        "Y": 86
                                    },
                                    "RightTop": {
                                        "X": 774,
                                        "Y": 85
                                    },
                                    "RightBottom": {
                                        "X": 774,
                                        "Y": 157
                                    },
                                    "LeftBottom": {
                                        "X": 457,
                                        "Y": 158
                                    }
                                }
                            }
                        }
                    ]
                }
            ]
        },
        {
            "Groups": [
                {
                    "Lines": [
                        {
                            "Key": {
                                "AutoName": "地点",
                                "ConfigName": null
                            },
                            "Value": {
                                "AutoContent": "圣丹市丹塔县星域镇未名村",
                                "Coord": {
                                    "LeftTop": {
                                        "X": 249,
                                        "Y": 956
                                    },
                                    "RightTop": {
                                        "X": 1181,
                                        "Y": 955
                                    },
                                    "RightBottom": {
                                        "X": 1181,
                                        "Y": 1035
                                    },
                                    "LeftBottom": {
                                        "X": 249,
                                        "Y": 1036
                                    }
                                }
                            }
                        }
                    ]
                }
            ]
        }
    ],
    "WordList": [],
    "RequestId": "月小水长 buyixiao 的 RID"
}
Angle 是图片相对于水平的旋转角度，文本的水平方向为 0，顺时针为正，逆时针为负；
AutoName 是我们传入的待解析字段，对应的 AutoContent  就是解析的字段值；
X 和 Y 就是文本在图片中的位置边框，其四个点的坐标。
所以下面的我们的目标就是解析所有的 AutoContent了。
解析响应获取目标结果
看起来这个  JSON 一点也不规则，不能直接清晰地通过下标或者键名获取想要的结果，
当然可以选择诸如 json["StructuralList"][0]["Groups"][0]["Lines"] 之类的 ugly 写法，但是这样看起来不易读不好维护，而且不一定通用，
如果您读过我在云社区写的这篇文章：工程实践善用简单算法，事半功倍。﻿
就能清楚地知道，本文解析任务也类似，都可以通过设计递归算法简化之，
递归解析引擎我写好了，测试通过，拿去用即可。
def parseEntity(resp_json):
    entity_collected = {}
﻿
    def recurse_seek(obj):
        if isinstance(obj, dict):
            if "Key" in obj.keys() and "AutoName" in obj["Key"] and \\
                    "Value" in obj.keys() and "AutoContent" in obj["Value"]:
                entity_collected[obj["Key"]["AutoName"]] = obj["Value"]["AutoContent"]
            else:
                for key, value in obj.items():
                    if isinstance(value, list):
                        for vv in value:
                            recurse_seek(vv)
        elif isinstance(obj, list):
            for item in obj:
                recurse_seek(item)
﻿
    if resp_json:
        recurse_seek(resp_json)
﻿
    return entity_collected
最终输出的结果如下：
{'日期': '2025年1月5日', '地点': '圣丹市丹塔县星域镇未名村'}
运行代码的注意事项
新建一个 py 文件，
1. 需要导入的包如下，复制到文件最前面。
import base64
import json
from tencentcloud.common import credential
from tencentcloud.common.profile.client_profile import ClientProfile
from tencentcloud.common.profile.http_profile import HttpProfile
from tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKException
from tencentcloud.ocr.v20181119 import ocr_client, models
2. 接着复制上面所有的工具函数、请求函数、解析函数（JSON 输出不要复制了）。
3. 最后复制调用入口，demo.jpg 放到和 py 文件一个目录下，就能完整运行起来了。
if __name__ == '__main__':
    response_json = buildTencentSmartStructuralOCRV2(image_file_path='./demo.jpg')
    entity_dict = parseEntity(response_json)
    print(entity_dict)
总结
腾讯云文档智能给 OCR 提取和结构信息提取提供了新的选择，而且产品和文档都做得比较好，有需要的朋友们可以动手试试，我仅小小抛砖引玉了下，其实这个产品还有其他更多强大功能可以探索，在大模型能力的加持下，想象空间很大，我在官方文档找到了如下表述：
即便在版式多变或中英文混排的情形下，仍可维持高识别精度。
借助多模态大模型技术构建键值对应关系，支持客户个性化模板定制，提升数据提取录入效率，
适用于政务处理、票据核销、行业表单填写、国际物流管理、人寿保险理赔、AI 在线问诊、律师事务所合同审查及供应链合同审核等多种应用场景。
﻿
所以，海阔天空，不妨一试~
﻿
文档智能助力在大规模突发事件背景下社交媒体图片中时间、地点等关键信息的有效提取

本页目录：

文档智能的社会效益

几年前我如何做内容文档抽取

当今腾讯云的智能文档抽取

现在的我们可以怎么做智能文档抽取

获取 SecretId 和 SecretKey

使用 Python 请求服务

解析响应获取目标结果

总结
