GLM-OCR实操手册：批量处理文件夹内所有图片并自动保存结构化JSON结果

GLM-OCR实操手册：批量处理文件夹内所有图片并自动保存结构化JSON结果

1. 为什么你需要一个真正能干活的OCR工具

你有没有遇到过这样的场景：手头有几十张扫描件、发票、合同截图，需要把里面文字全部提取出来整理成Excel？或者要从上百页PDF截图中精准识别表格结构，再导入数据库？传统OCR要么识别错别字一堆，要么表格一塌糊涂，公式直接变乱码——更别说还要手动一张张上传、复制、粘贴。

GLM-OCR不是又一个“能识别”的模型，而是一个“能交付结果”的生产级OCR系统。它不只认字，还能理解文档逻辑：哪是标题、哪是段落、哪是三列表格、哪是嵌套在图里的数学公式。更重要的是，它已经部署好、开箱即用，你不需要调参、不碰CUDA报错、不查PyTorch版本兼容性——只要会写几行Python，就能让整个文件夹的图片自动跑完识别，结果按原始目录结构存成带坐标的JSON，连文件名都帮你保留得清清楚楚。

这不是演示，是日常办公的真实流水线。

2. 搞懂GLM-OCR到底强在哪（不用看论文也能明白）

GLM-OCR 的核心能力，藏在三个关键词里：多模态理解、结构化输出、开箱即用。

先说第一个词——“多模态理解”。它不像老式OCR只盯着像素点找边缘，而是像人一样“看图说话”：看到一张带表格的财务报告，它先定位表格区域，再区分表头和数据行；看到一页教材，它能跳过页眉页脚，专注正文+公式块；甚至能识别手写批注和印刷体混排的试卷。这背后是 CogViT 视觉编码器 + GLM-0.5B 语言解码器的协同工作，视觉信息和语义理解同步推进。

第二个词——“结构化输出”。它返回的不是一串乱序文字，而是带层级、带位置、带类型的JSON对象。比如一段识别结果里，你会看到：

• "type": "text"表示普通段落
• "type": "table"表示表格，里面还嵌套着"rows"和"cells"
• "type": "formula"表示数学公式，内容是LaTeX格式
• 每个元素都有"bbox"字段，精确到像素的四点坐标[x1, y1, x2, y2]

第三个词——“开箱即用”。模型文件已预置在/root/ai-models/ZhipuAI/GLM-OCR/，启动脚本start_vllm.sh一行命令搞定服务，端口固定为7860。你不需要下载2.5GB模型、不配置环境变量、不解决依赖冲突——它就像一台插电就转的打印机，唯一要做的，是告诉它“印什么”。

3. 批量处理实战：从零开始写一个自动化工单

3.1 准备工作：确认服务已就绪

在开始写代码前，请确保GLM-OCR服务正在运行：

cd /root/GLM-OCR ./start_vllm.sh

等待终端输出类似Running on public URL: http://localhost:7860即表示启动成功。首次加载模型约需1-2分钟，后续重启秒级响应。

验证小技巧：打开浏览器访问http://localhost:7860，上传一张测试图，选“Text Recognition:”，点击识别。如果右下角出现带坐标的文本块，说明服务完全可用。

3.2 核心思路：用API代替手动操作

Web界面适合单张调试，但批量处理必须走Python API。关键点有三个：

• 不用Gradio前端，直接调用后端预测接口
• 图片路径传绝对路径（服务端能访问到）
• 结果解析时，重点提取bbox、text、type字段，忽略UI渲染相关字段

3.3 完整可运行脚本（含错误处理与进度反馈）

以下代码已通过实测，支持任意深度子目录、自动创建输出JSON目录、失败图片单独记录日志：

import os import json import time from pathlib import Path from gradio_client import Client from typing import Dict, List, Any # 初始化客户端（指向本地服务） client = Client("http://localhost:7860") def process_image(image_path: str, output_dir: str) -> Dict[str, Any]: """处理单张图片，返回结构化JSON结果""" try: # 调用API（注意：prompt必须严格匹配Web界面定义） result = client.predict( image_path=image_path, prompt="Text Recognition:", # 可替换为 "Table Recognition:" 或 "Formula Recognition:" api_name="/predict" ) # result 是字符串形式的JSON，需解析 parsed_result = json.loads(result) # 提取关键字段，构建标准输出结构 output_data = { "input_path": image_path, "timestamp": int(time.time()), "elements": [] } # 遍历识别结果中的每个元素 for elem in parsed_result.get("elements", []): # 只保留我们需要的字段，避免冗余 clean_elem = { "type": elem.get("type", "unknown"), "text": elem.get("text", ""), "bbox": elem.get("bbox", [0, 0, 0, 0]), "confidence": elem.get("confidence", 0.0) } output_data["elements"].append(clean_elem) return output_data except Exception as e: print(f" 处理失败 {image_path}: {str(e)}") return { "input_path": image_path, "error": str(e), "timestamp": int(time.time()) } def batch_process_folder(input_folder: str, output_folder: str, task_type: str = "text"): """批量处理整个文件夹及其子目录""" # 支持的图片格式 supported_exts = {".png", ".jpg", ".jpeg", ".webp"} # 自动创建输出目录（保持原始目录结构） input_path = Path(input_folder) output_path = Path(output_folder) output_path.mkdir(exist_ok=True) # 收集所有图片路径 image_files = [] for ext in supported_exts: image_files.extend(list(input_path.rglob(f"*{ext}"))) print(f" 找到 {len(image_files)} 张图片，开始批量处理...") # 逐张处理 success_count = 0 failed_files = [] for i, img_path in enumerate(image_files, 1): print(f" 正在处理 ({i}/{len(image_files)}): {img_path.name}") # 构建输出JSON路径（保持相对目录结构） rel_path = img_path.relative_to(input_path) json_output_path = output_path / rel_path.with_suffix(".json") json_output_path.parent.mkdir(parents=True, exist_ok=True) # 执行识别 result = process_image(str(img_path), str(json_output_path.parent)) if "error" not in result: # 保存JSON结果 with open(json_output_path, "w", encoding="utf-8") as f: json.dump(result, f, ensure_ascii=False, indent=2) success_count += 1 else: failed_files.append(str(img_path)) # 输出汇总报告 print("\n" + "="*50) print(" 批量处理完成") print(f" 成功: {success_count}/{len(image_files)}") if failed_files: print(f" 失败: {len(failed_files)} 张（详见 error_log.txt）") with open(output_path / "error_log.txt", "w", encoding="utf-8") as f: f.write("处理失败的图片列表：\n") f.write("\n".join(failed_files)) print("="*50) # ===== 使用示例 ===== if __name__ == "__main__": # 修改为你自己的路径 INPUT_DIR = "/root/documents/scans" # 存放图片的根目录 OUTPUT_DIR = "/root/documents/ocr_results" # 输出JSON的根目录 # 开始批量处理（默认text识别，也可传 "table" 或 "formula"） batch_process_folder(INPUT_DIR, OUTPUT_DIR, task_type="text")

3.4 脚本使用三步走

1. 准备图片目录
   把所有待处理图片放入/root/documents/scans/，支持子目录，例如：

   /root/documents/scans/invoice/2024-01.png /root/documents/scans/contract/signed.pdf.jpg

2. 修改脚本路径
   将代码中INPUT_DIR和OUTPUT_DIR改为你实际的路径。

3. 运行脚本

   python glm_ocr_batch.py

   运行后你会看到实时进度，完成后在OUTPUT_DIR下得到完全对应的JSON树：

   /root/documents/ocr_results/invoice/2024-01.json /root/documents/ocr_results/contract/signed.pdf.json

4. JSON结果详解：拿到就能用的数据结构

生成的JSON不是简单文字堆砌，而是可直接对接下游系统的结构化数据。我们以一张含表格的采购单为例，看看关键字段含义：

{ "input_path": "/root/documents/scans/invoice/2024-01.png", "timestamp": 1717023456, "elements": [ { "type": "text", "text": "采购订单", "bbox": [120, 85, 280, 115], "confidence": 0.982 }, { "type": "table", "text": "", "bbox": [50, 150, 720, 480], "confidence": 0.941, "rows": [ ["商品名称", "数量", "单价"], ["服务器机柜", "2台", "¥12,800.00"], ["UPS电源", "1台", "¥8,500.00"] ] }, { "type": "formula", "text": "E=mc^2", "bbox": [600, 520, 680, 550], "confidence": 0.897 } ] }

• bbox: 四个数字[x1, y1, x2, y2]，代表该元素在原图中的像素坐标（左上→右下）
• type: 元素类型，明确区分文本、表格、公式，避免后期规则判断
• rows: 表格专用字段，二维数组结构，可直接转Pandas DataFrame或Excel
• confidence: 置信度，低于0.85的条目建议人工复核（如模糊印章、手写体）

实用技巧：用VS Code打开JSON，安装“JSON Tools”插件，一键格式化+折叠查看；用Python读取后，df = pd.json_normalize(data['elements'])即可快速转成分析表格。

5. 进阶技巧：让OCR更贴合你的业务需求

5.1 任务类型切换：不只是识别文字

GLM-OCR支持三种Prompt指令，对应不同业务场景：

修改方式：只需改脚本中prompt=参数即可，无需重装模型或重启服务。

5.2 处理超大图片：分块识别策略

GLM-OCR对单图尺寸无硬性限制，但过大的扫描件（如A0图纸）可能导致显存溢出或识别精度下降。推荐方案：

1. 预处理缩放：用PIL将长边统一缩放到2000px以内，保持宽高比
2. 区域裁剪：对关键区域（如表格区、签名区）单独截图再识别
3. 坐标映射：缩放后的bbox需按比例还原到原图坐标

示例代码片段（添加到脚本开头）：

from PIL import Image def resize_for_ocr(image_path: str, max_long_side: int = 2000) -> str: """安全缩放图片，返回临时路径""" img = Image.open(image_path) w, h = img.size if max(w, h) <= max_long_side: return image_path ratio = max_long_side / max(w, h) new_size = (int(w * ratio), int(h * ratio)) resized = img.resize(new_size, Image.Resampling.LANCZOS) temp_path = f"/tmp/{Path(image_path).stem}_resized{Path(image_path).suffix}" resized.save(temp_path) return temp_path

5.3 错误自动重试机制

网络抖动或GPU瞬时负载高可能导致单次请求失败。在process_image()函数中加入重试逻辑：

import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=1, max=10)) def process_image_with_retry(image_path: str, output_dir: str) -> Dict[str, Any]: return process_image(image_path, output_dir)

提示：安装重试库pip install tenacity，让脚本在失败时自动等待1s→2s→4s后重试，大幅提升批量稳定性。

6. 常见问题与避坑指南（来自真实踩坑经验）

6.1 “Connection refused” 错误

现象：脚本报错ConnectionRefusedError: [Errno 111] Connection refused
原因：服务未启动，或端口被其他进程占用
解决：

# 检查服务是否运行 ps aux | grep serve_gradio.py # 若无输出，重新启动 cd /root/GLM-OCR && ./start_vllm.sh # 若端口被占，释放7860 lsof -i :7860 | awk 'NR>1 {print $2}' | xargs kill -9 2>/dev/null

6.2 JSON结果为空或只有[]

现象：生成的JSON里elements是空列表
原因：图片格式不支持（如BMP）、图片损坏、或Prompt拼写错误（注意冒号是英文）
排查：

• 在Web界面手动上传同一张图，确认能否识别
• 检查Prompt是否为Text Recognition:（末尾冒号不可少）
• 用file your_image.png确认文件头正常

6.3 中文乱码或特殊符号丢失

现象：JSON中中文显示为\u4f60\u597d等Unicode编码
原因：Python写入时未指定ensure_ascii=False
修复：确认脚本中json.dump(..., ensure_ascii=False)已启用（本文脚本已默认开启）

6.4 处理速度慢于预期

现象：单张图耗时超过10秒
优化方向：

• GPU显存是否充足？nvidia-smi查看Memory-Usage是否接近上限
• 关闭其他GPU进程：pkill -f vllm
• 启动时加参数降低batch size（修改start_vllm.sh中--max-num-seqs 1）

7. 总结：让OCR真正成为你的数字员工

GLM-OCR的价值，不在于它有多高的学术指标，而在于它能把OCR从“技术实验”变成“日常工具”：

• 对开发者：一行API调用，免去Tesseract配置、PaddleOCR编译、LayoutParser模型加载的繁琐流程
• 对运营人员：把扫描件拖进文件夹，喝杯咖啡回来，结构化JSON已就位，直接导入CRM或ERP
• 对企业IT：2.5GB模型+3GB显存占用，远低于同类多模态模型，老旧A10显卡也能稳定运行

你不需要成为OCR专家，只需要记住三件事：
服务地址永远是http://localhost:7860
批量脚本的核心是gradio_client.Client+client.predict
结果JSON里elements数组就是你要的所有信息，bbox是坐标，type是分类，text是内容

现在，就把/root/documents/scans/里积压的图片放进去吧。这一次，OCR真的开始为你工作了。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。