Python 将从Google Vision API中提取为完整单词的文本分组

我试图通过Google Vision API重现“文档文本检测”示例UI上传器的输出。但是，当我需要将单词分组在一起时，我从中获得的输出仅提供单个字符作为输出

库中是否有一项功能，允许使用“单词”来分组，而不是使用Python中的文档\u TEXT\u DETECT endpoint或

image.DETECT\u full\u TEXT（）

函数

我不是在寻找全文提取，因为我的.jpg文件的视觉结构不符合

image.detect\u text（）

函数的要求

谷歌的示例代码：

def detect_document(path):
    """Detects document features in an image."""
    vision_client = vision.Client()

    with io.open(path, 'rb') as image_file:
        content = image_file.read()

    image = vision_client.image(content=content)

    document = image.detect_full_text()

    for page in document.pages:
        for block in page.blocks:
            block_words = []
            for paragraph in block.paragraphs:
                block_words.extend(paragraph.words)

            block_symbols = []
            for word in block_words:
                block_symbols.extend(word.symbols)

            block_text = ''
            for symbol in block_symbols:
                block_text = block_text + symbol.text

            print('Block Content: {}'.format(block_text))
            print('Block Bounds:\n {}'.format(block.bounding_box))

谷歌提供的现成样本的样本输出：

property {
  detected_languages {
    language_code: "mt"
  }
}
bounding_box {
  vertices {
    x: 1193
    y: 1664
  }
  vertices {
    x: 1206
    y: 1664
  }
  vertices {
    x: 1206
    y: 1673
  }
  vertices {
    x: 1193
    y: 1673
  }
}
symbols {
  property {
    detected_languages {
      language_code: "en"
    }
  }
  bounding_box {
    vertices {
      x: 1193
      y: 1664
    }
    vertices {
      x: 1198
      y: 1664
    }
    vertices {
      x: 1198
      y: 1673
    }
    vertices {
      x: 1193
      y: 1673
    }
  }
  text: "P"
}
symbols {
  property {
    detected_languages {
      language_code: "en"
    }
    detected_break {
      type: LINE_BREAK
    }
  }
  bounding_box {
    vertices {
      x: 1200
      y: 1664
    }
    vertices {
      x: 1206
      y: 1664
    }
    vertices {
      x: 1206
      y: 1673
    }
    vertices {
      x: 1200
      y: 1673
    }
  }
  text: "M"
}


block_words
Out[47]: 
[property {
   detected_languages {
     language_code: "en"
   }
 }
 bounding_box {
   vertices {
     x: 1166
     y: 1664
   }
   vertices {
     x: 1168
     y: 1664
   }
   vertices {
     x: 1168
     y: 1673
   }
   vertices {
     x: 1166
     y: 1673
   }
 }
 symbols {
   property {
     detected_languages {
       language_code: "en"
     }
   }
   bounding_box {
     vertices {
       x: 1166
       y: 1664
     }
     vertices {
       x: 1168
       y: 1664
     }
     vertices {
       x: 1168
       y: 1673
     }
     vertices {
       x: 1166
       y: 1673
     }
   }
   text: "2"
 }

---

这种反应来得太晚了。我猜你是在找下面这样的东西

def parse_image(image_path=None):
    """
    Parse the image using Google Cloud Vision API, Detects "document" features in an image
    :param image_path: path of the image
    :return: text content
    :rtype: str
    """

    client = vision.ImageAnnotatorClient()
    response = client.text_detection(image=open(image_path, 'rb'))
    text = response.text_annotations
    del response

    return text[0].description

---

该函数返回图像中的完整文本。

GCV中有两种类型： 1.文本检测和2。文档文本检测

文本检测用于检测图像中的某些文本。基本上，它给出了在其中找到的文本值。您不能依赖它的准确性，例如，它不能用于读取收据或任何文档数据

然而，文档文本检测的准确性非常好，可以检测文档中每一分钟的细节。在这种方法中，单词彼此分开，例如2017年3月12日将作为0 3/1 2/等及其坐标。这实际上是为了更准确

---

现在，根据您的问题，您最好使用第一种方法，即文本检测，它将为您提供完整单词及其坐标的结果。

这是正确的，但是有没有更简单的方法来获取按行分组的所有边界框，而不是在循环中运行它来查找排序？