一、文档智能的社会效益
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。
二、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。
三、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，页面是这样宣传的：
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。
四、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。
五、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 Clientdef 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("替换成你自己的 SecretId", "替换成你自己的 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，你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。
六、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，
如果你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，这篇解析任务也类似，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 base64import jsonfrom tencentcloud.common import credentialfrom tencentcloud.common.profile.client_profile import ClientProfilefrom tencentcloud.common.profile.http_profile import HttpProfilefrom tencentcloud.common.exception.tencent_cloud_sdk_exception import TencentCloudSDKExceptionfrom 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)
七、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，我在产品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~