基于GLM-OCR与Ollama的Python本地OCR系统开发

1. 使用GLM-OCR与Ollama构建Python OCR识别系统

在当今数字化办公场景中，光学字符识别（OCR）技术已经成为从图像中提取文本信息的重要工具。传统OCR方案往往需要复杂的本地部署或付费API接入，而基于开源模型GLM-OCR与Ollama框架的解决方案，为我们提供了一种灵活高效的替代方案。

这套Python实现的核心价值在于：

• 完全本地化运行，无需依赖第三方API服务
• 支持自定义截图区域和识别提示词
• 提供单次识别和自动循环识别两种模式
• 识别结果自动保存为结构化JSON文件

2. 环境准备与基础配置

2.1 安装必要组件

首先需要安装Ollama服务并拉取GLM-OCR模型：

bash复制# 安装Ollama（根据操作系统选择对应版本）
curl -fsSL https://ollama.com/install.sh | sh

# 拉取GLM-OCR模型
ollama pull glm-ocr

Python环境需要安装以下依赖库：

bash复制pip install ollama pyautogui pillow

注意：pyautogui在不同操作系统上可能有额外依赖，如在Linux上需要安装scrot和python3-tk

2.2 基础功能验证

通过简单代码测试服务连通性：

python复制from ollama import chat

response = chat(
    model='glm-ocr',
    messages=[{'role': 'user', 'content': 'Hello!'}],
)
print(response.message.content)

如果返回类似"你好！"的响应，说明环境配置正确。

3. 核心功能实现解析

3.1 截图与图像处理模块

python复制def capture_screenshot(region=None):
    """支持全屏或指定区域截图"""
    try:
        if region:
            screenshot = pyautogui.screenshot(region=region)
        else:
            screenshot = pyautogui.screenshot()
        return screenshot
    except Exception as e:
        print(f"[错误] 截图失败: {e}")
        return None

def image_to_base64(image):
    """将PIL图像转为base64编码"""
    buffer = io.BytesIO()
    image.save(buffer, format='PNG')
    return base64.b64encode(buffer.getvalue()).decode('utf-8')

关键点说明：

• region参数格式为(left, top, width, height)四元组
• 图像统一保存为PNG格式保证质量
• base64编码是Ollama API要求的图像传输格式

3.2 OCR识别核心逻辑

python复制def ollama