RapidOCR REST API Service

基于 RapidOCR-ONNXRuntime 封装的轻量级 OCR REST API 服务，提供高效的文本识别能力。

📌 项目特性

• 开箱即用的 OCR REST API 服务
• 支持图片自动缩放预处理（最大边限制 1024px，任何边长超过1024的图片都会被等比例缩放至1024）
• 并发请求控制（默认最大 4 线程，可根据实际情况修改代码里的变量）
• 完善的错误处理及日志记录
• 支持 Docker 容器化部署
• 自动内存管理优化
• 响应数据标准化（JSON 格式）

🚀 快速开始

前置要求

• Python 3.10+
• Docker（可选）

Docker 部署方式

构建镜像

git clone https://github.com/zclcz/rapidocr-api.git
cd rapidocr-api/
docker build -t rapidocr-api .

运行容器（默认端口 5001）

docker run -d -p 5001:5001 --name ocr_api rapidocr-api

本地安装方式

克隆项目

git clone https://github.com/zclcz/rapidocr-api.git
cd rapidocr-api

安装依赖

pip install -r requirements.txt

启动服务

python app.py

📖 API 使用说明

请求端点

POST /ocr

请求格式

Content-Type: application/octet-stream Body: 图片二进制数据

示例请求

curl -X POST --data-binary @"test.jpg" http://localhost:5001/ocr

响应示例

成功响应：

{
  "code": 100,
  "data": [
    {
      "box": [[10,20], [30,20], [30,40], [10,40]], //识别到的内容在图片里的坐标
      "text": "识别文本",  //识别内容
      "score": 0.98  //识别可信度
    }
  ]
}

错误响应：

{
  "code": 500,
  "msg": "错误描述信息"
}

调用示例

Python

import requests

url = 'http://localhost:5001/ocr'

# 通过文件路径调用
with open('test.jpg', 'rb') as f:
    response = requests.post(url, data=f)
    print(response.json())

# 通过字节流调用
image_bytes = open('test.jpg', 'rb').read()
response = requests.post(url, data=image_bytes)
print(response.text)

Java

import java.net.URI;
import java.net.http.*;
import java.nio.file.Path;

import cn.hutool.core.io.IoUtil;
import cn.hutool.core.util.StrUtil;
import cn.hutool.http.HttpRequest;
import cn.hutool.http.HttpResponse;
import cn.hutool.json.JSONArray;
import cn.hutool.json.JSONObject;
import cn.hutool.json.JSONUtil;
public class OCRDemo {
    public static void main(String[] args) throws Exception {
            String ocrApi = "localhost:5001/ocr";
            File imageFile = new File("test.png");
            byte[] fileBytes = FileUtil.readBytes(imageFile);
            String result = HttpRequest.post(ocrApi)
                    .body(fileBytes)
                    .header("Content-Type", "application/octet-stream")
                    .execute()
                    .body();
            System.out.println("提取结果 " + result);
            JSONObject resp = JSONUtil.parseObj(result);
            // 构建文本内容的字符串
            // 读取结果
            Integer errcode = resp.getInt("code", 0);
            StringBuilder textBuilder = new StringBuilder();
            if (errcode == OcrCode.OK) {
                // 如果OCR处理成功，将提取的文本内容追加到字符串构建器中
                JSONArray jsonArray = resp.getJSONArray("data");
                for (Object object : jsonArray) {
                    JSONObject ele = JSONUtil.parseObj(object);
                    textBuilder.append(ele.getStr("text")).append(StrUtil.C_LF);
                }
                // 记录提取的文本内容
                System.out.println("提取结果："+textBuilder);
            } else {
                // 如果OCR处理失败，记录错误信息
                String respMsg = resp.getStr("msg");
                System.out.println("提取图片错误信息："+respMsg);
            }
    }
}

Node.js

const axios = require('axios');
const fs = require('fs');

const url = 'http://localhost:5001/ocr';

// 通过文件流调用
fs.readFile('test.jpg', (err, data) => {
    if (err) throw err;
    
    axios.post(url, data, {
        headers: {
            'Content-Type': 'application/octet-stream'
        }
    })
    .then(response => console.log(response.data))
    .catch(error => console.error(error));
});

// 通过 Buffer 调用（推荐）
const imageBuffer = fs.readFileSync('test.jpg');
axios.post(url, imageBuffer)
    .then(response => console.log(response.data));

Go

package main

import (
    "bytes"
    "fmt"
    "io"
    "net/http"
    "os"
)

func main() {
    url := "http://localhost:5001/ocr"
    
    // 通过文件读取
    file, _ := os.Open("test.jpg")
    defer file.Close()
    
    resp, err := http.Post(url, "application/octet-stream", file)
    if err != nil {
        panic(err)
    }
    defer resp.Body.Close()
    
    body, _ := io.ReadAll(resp.Body)
    fmt.Println(string(body))
    
    // 通过字节切片调用
    data, _ := os.ReadFile("test.jpg")
    resp, _ = http.Post(url, "application/octet-stream", bytes.NewReader(data))
    // ...处理响应...
}

响应状态码说明

状态码 说明 100 成功 400 请求参数错误 500 服务端错误或队列已满

⚙️ 配置参数

可通过以下方式自定义配置：

并发控制

修改 max_workers 值调整最大并发数。

图片处理

resize_image() 函数参数：

max_size: 最大边长限制（默认 1024px） quality: 图片压缩质量（默认 95）

服务端口

修改 Dockerfile 或启动命令中的 --port 参数。

📝 注意事项

建议图片分辨率不超过 2000x2000px。 单次请求处理时间与图片复杂度正相关。 生产环境建议使用反向代理（如 Nginx）。 日志级别可通过修改 logging.basicConfig 调整。 ONNX 模型文件会自动下载到 ~/.rapidocr 目录。

🔍 性能优化

使用 ONNXRuntime 加速推理 自动内存回收机制 图片预处理压缩技术 线程级并发控制