需先启动混元OCR WebUI服务,再安装requests/tqdm/Pillow,将文件放./input/并命名规范,运行batch_ocr.py调用本地API批量识别;支持并发控制、多场景prompt定制及错误重试。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

你需要用Python脚本一次性处理几十甚至上百个图片或PDF文件,让腾讯混元OCR自动识别文字、提取字段或翻译内容,而不是手动一张张上传网页版再复制结果。
批量调用混元OCR API的基础准备
第一步:确认本地已启动混元OCR WebUI镜像的API服务。进入镜像工作目录,运行bash 2-API接口-vllm.sh(推荐vLLM后端,批量吞吐更高);看到终端输出Uvicorn running on http://0.0.0.0:8000即表示服务就绪。
第二步:安装必要依赖。执行pip install requests tqdm pillow——【tqdm用于显示进度条,避免脚本静默运行时无法判断是否卡死】。
第三步:准备待处理文件。把所有图片(支持JPG/PNG/PDF)统一放在./input/目录下,确保文件名不含中文或特殊符号(如空格、括号),否则请求可能因URL编码失败而中断。
立即学习“Python免费学习笔记(深入)”;
写一个能跑通的最小批量脚本
新建batch_ocr.py,粘贴以下代码:
import os, requests, json, time
from pathlib import Path
from tqdm import tqdm
API_URL = "http://localhost:8000/ocr"
INPUT_DIR = Path("./input")
OUTPUT_DIR = Path("./output")
OUTPUT_DIR.mkdir(exist_ok=True)
for img_path in tqdm(list(INPUT_DIR.glob("*.*"))):
if img_path.suffix.lower() not in [".jpg", ".jpeg", ".png", ".pdf"]:
continue
try:
with open(img_path, "rb") as f:
files = {"image": (img_path.name, f, "application/octet-stream")}
# 指令式prompt:直接要结构化JSON
data = {"prompt": "请识别图中所有文字,并按段落结构返回JSON,包含text和bbox字段"}
r = requests.post(API_URL, files=files, data=data, timeout=120)
r.raise_for_status()
result = r.json()
with open(OUTPUT_DIR / f"{img_path.stem}.json", "w", encoding="utf-8") as out:
json.dump(result, out, ensure_ascii=False, indent=2)
except Exception as e:
print(f"❌ {img_path.name} 处理失败:{e}")
这一步操作起来很简单,直接把文件拖进去就行。注意:PDF文件会被自动转为图像帧处理,单页PDF生成一个JSON,多页PDF会按页拆成多个结果文件。
提升吞吐量:并发请求不卡死
方法一:用ThreadPoolExecutor控制并发数
将上面脚本中的循环部分替换为:
from concurrent.futures import ThreadPoolExecutor, as_completed
def process_one(img_path):
if img_path.suffix.lower() not in [".jpg", ".jpeg", ".png", ".pdf"]:
return None
try:
with open(img_path, "rb") as f:
files = {"image": (img_path.name, f, "application/octet-stream")}
data = {"prompt": "请识别图中所有文字,并按段落结构返回JSON"}
r = requests.post(API_URL, files=files, data=data, timeout=120)
r.raise_for_status()
return img_path, r.json()
except Exception as e:
return img_path, f"ERROR: {e}"
all_files = list(INPUT_DIR.glob("*.*"))
with ThreadPoolExecutor(max_workers=3) as executor:
futures = {executor.submit(process_one, p): p for p in all_files}
for future in tqdm(as_completed(futures), total=len(all_files)):
img_path, result = future.result()
if isinstance(result, dict):
with open(OUTPUT_DIR / f"{img_path.stem}.json", "w", encoding="utf-8") as out:
json.dump(result, out, ensure_ascii=False, indent=2)
【max_workers=3是关键,设太高会导致vLLM后端OOM或请求超时,实测3~4最稳】。vLLM虽快,但显存有限,盲目开10线程反而全崩。
按业务需求定制prompt输出格式
方法一:要纯文本,不要JSON结构
把data字典里的prompt改成:"请识别图中所有文字,按原始阅读顺序输出纯文本,不加任何解释、不加标点、不换行"。
方法二:专抽发票金额和日期
prompt写成:"请提取这张发票中的开票日期、销售方名称、购买方名称、总金额(含税)四个字段,严格按JSON格式返回,字段名小写,值为字符串"。
方法三:翻译商品图日文为中文
prompt写成:"请识别图中所有日文文字,并逐句翻译成简体中文,保留原文与译文对应关系,输出为JSON数组,每个元素含'jp'和'zh'两个键"。
这三种写法不用改代码,只换prompt就能切换用途。混元OCR的端到端能力决定了它真正吃的是自然语言指令,不是固定模板。
错误重试与日志记录
第一步:在脚本开头添加日志初始化
import logging
logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s", handlers=[
logging.FileHandler("batch_ocr.log", encoding="utf-8"),
logging.StreamHandler()
])
第二步:在process_one函数里捕获异常后加一句logging.error(f"{img_path.name} 失败: {e}")。
第三步:对返回状态码非200的请求,主动sleep(5)再重试一次——因为vLLM偶尔在高负载下首请求会返回503,重试即可恢复。
第四步:最终脚本运行完,检查batch_ocr.log里是否有ERROR标记,挑出对应文件单独重跑即可。


















