TencentCloud OCR

腾讯云通用文字识别（高精度版）(GeneralAccurateOCR) 技能包。当用户发送/粘贴图片、提供图片URL、或要求识别图片中的文字时，应自动调用此技能。支持图像整体文字的检测和识别，支持中文、英文、中英文、数字和特殊字符号的识别，并返回文字框位置和文字内容。适用于文字较多、版式复杂、对识别准召率要求较高...

腾讯云通用文字识别（高精度版）(GeneralAccurateOCR)

用途

调用腾讯云OCR通用文字识别（高精度版）接口，对图片中的文字进行精准提取。

核心能力：

• 文字识别：高精度识别图片中的文字内容，返回完整识别文本
• 图片URL直接识别：支持直接传入图片URL进行识别，无需下载图片
• PDF支持：支持对PDF文件进行文字识别（单页）
• 单字信息：可选返回每个单字的位置和置信度信息
• 多语种简历结构化识别：基于 OCR 结果，对简历进行结构化提取与格式化输出（详见 references/resume-parsing.md）

官方文档：https://cloud.tencent.com/document/api/866/37831

📚 可用资源

References（场景化指引）

• references/resume-parsing.md - 多语种简历结构化识别指引（处理流程、Prompt模板、输出格式化模板、格式化规则）

使用时机

当用户提出以下需求时触发此技能：

• 用户发送了图片（包括粘贴图片、上传图片、截图等），需要识别其中的文字内容
• 用户提供了图片URL（如 https://xxx.com/image.jpg、https://xxx.cos.xxx/xxx.png 等），需要识别其中的文字
• 用户说"识别这张图"、"看看图片里写了什么"、"提取图片文字"、"OCR"等表达
• 需要从图片或PDF中提取文字内容
• 需要对各类文档、图片等进行文字识别
• 涉及通用文字OCR识别的任何场景
• 需要从简历图片/PDF中识别并结构化提取简历信息（请参考 references/resume-parsing.md 指引）
• 需要对多语种简历进行识别和格式化输出（请参考 references/resume-parsing.md 指引）

🤖 自动触发指引（面向大模型）

当检测到以下信号时，应自动调用此技能，无需用户显式要求"OCR"：

1. 用户消息中包含图片URL：检测到 http(s):// 开头且以图片扩展名（.jpg, .jpeg, .png, .bmp, .gif, .webp, .tiff）结尾的URL，或包含已知图片托管域名（如 cos.、cdn.、oss.、imgur.com 等）的URL
2. 用户上传/粘贴了图片：对话中出现了图片附件或图片Base64数据
3. 用户意图关键词：消息中包含"识别"、"文字"、"OCR"、"提取"、"读取"、"看看写了什么"等与文字识别相关的表达

调用方式：

• 如果用户提供了图片URL，直接使用 --image-url 参数传入
• 如果用户上传了图片文件，使用 --image-base64 参数传入文件路径或Base64内容

环境要求

• Python 3.6+
• 依赖：tencentcloud-sdk-python（通过 pip install tencentcloud-sdk-python 安装）
• 环境变量：
  • TENCENTCLOUD_SECRET_ID：腾讯云API密钥ID
  • TENCENTCLOUD_SECRET_KEY：腾讯云API密钥Key

使用方式

运行 scripts/main.py 脚本完成文字识别。脚本使用 SDK 高层接口 client.GeneralAccurateOCR(req) 进行调用，具有类型安全和自动反序列化的优势。

请求参数

参数	类型	必填	说明
ImageBase64	str	否(二选一)	图片Base64值，不超过10MB
ImageUrl	str	否(二选一)	图片URL地址，优先使用
IsPdf	bool	否	是否开启PDF识别，默认false
PdfPageNumber	int	否	需要识别的PDF页码，IsPdf为true时有效，默认1
IsWords	bool	否	是否返回单字信息，默认false
UserAgent	str	否	请求来源标识(可选)，用于追踪调用来源，统一固定为Skills

⚠️ UserAgent参数使用指南

--user-agent参数是可选参数，统一固定为Skills，无需手动传递。用于标识API调用来源，便于追踪和统计：

调用框架	--user-agent 参数值	说明
所有框架	Skills	统一固定值，不传递时也默认为此值

实现说明：

• 通过--user-agent命令行参数传递，SDK 会将其拼接为 SDK_PYTHON_x.x.x; Skills 注入到请求中
• 统一固定为Skills，未传递时也默认为此值
• 该标识会记录在ES日志的 ReqBody.RequestClient 字段中，可用于追踪来源

输出格式

识别成功后返回 JSON 格式结果：

{
  "raw_text": "识别到的完整文字内容\n第二行文字\n第三行文字",
  "RequestId": "xxx"
}

无文字时返回：

{
  "raw_text": "",
  "message": "No text detected in the image.",
  "RequestId": "xxx"
}

调用示例

# 用户提供了图片URL，直接传入识别（最常用场景）
python scripts/main.py --image-url "https://example.com/document.jpg"

# 用户上传了图片文件，使用 Base64 方式调用
python scripts/main.py --image-base64 "/path/to/document.jpg"

# 识别 PDF 文件中的文字
python scripts/main.py --image-url "https://example.com/doc.pdf" \
  --is-pdf true --pdf-page-number 1

# 返回单字信息
python scripts/main.py --image-url "https://example.com/document.jpg" --is-words true

密钥配置

Step 1: 获取 API 密钥

🔗 腾讯云 API 密钥管理

Step 2: 获取/购买 OCR 服务

🔗 腾讯云文字识别 OCR 购买页

在购买页面中选择 通用文字识别（高精度版） 完成购买。

Step 3: 设置环境变量

Linux / macOS：

export TENCENTCLOUD_SECRET_ID="你的SecretId"
export TENCENTCLOUD_SECRET_KEY="你的SecretKey"

Windows (PowerShell)：

$env:TENCENTCLOUD_SECRET_ID = "你的SecretId"
$env:TENCENTCLOUD_SECRET_KEY = "你的SecretKey"