0. 故事前传
许久没有来记录些什么了，上一篇发表时间还是 2016 年的事情，一晃数年，如今的我也不再干开发了——现在是个人人喊打的 HR 。虽然离开开发岗位许久，但对整活的热情不增反减，小活这几年也整过不少，可能不靠这个吃饭后，用爱发电有技巧的摸鱼最开心吧┓( ´∀` )┏
本次需求源于国企人力岗位避不掉的一个东西——干部任免审批表，要求是把其中指定信息批量抽取填入到 Excel 表中。
正常情况来说如果是一个 Word 文件用 VBA 或者 Python 直接进行提取无疑是更好的选择，可是用总部的大聪明系统导出的干审表 PDF 转码后，发现里面文字信息竟然被处理成了单独的一条条小图片听我说谢谢你，也就是说并不能直接复制粘贴到 Excel 中，必须通过进一步的处理，把图片处理成文字后再进行抽取——所以整件事实际上就变成了 OCR 检测识别。
最初的想法是基于我之前写过的简历信息提取插件（基于 ResumeSDK 开发）来改良，但改完实践之后发现 ResumeSDK 针对的还是普通简历处理，所以“太有自己的想法”，云端引擎会对识别检测的信息进行处理后再返回结果，而干审表实际已经是个制式表，我只是要指定区域 100% 纯检测识别结果即可，所以其实用原插件改良并不合适。
逛知乎的过程中看到虾米小馄饨大佬写的用 Python 写一个图像文字识别 OCR 工具，发现跟我的需求贴合极高，于是就进了坑。可惜大佬主要还是介绍的整体思路，过程中各种小坑不断，配环境都能配出 PTSD ……不废话了，今天先讲一下配环境和里面可能存在各种的坑。
1.运行环境准备
本次主要是基于 PaddleOCR 进行开发，一切环境配置要求都要严格按照官方推荐的流程和要求来，否则问题更多（别问我怎么知道的o(╥﹏╥)o）。
我在公司 PC 上配的环境，设备是 Windows 10 + 集显。我强烈建议如果之前没有装过/用过 Anaconda 的朋友务必不要跳过此步，不要觉得自己很牛逼，放下你的身段！不然之后要吃瘪的！（当然如果很熟悉这块的大佬，出现问题会自己搞定的，就当我没有讲过这个话……）
1.1.安装 Anaconda
步骤参照官方指南。
主要的坑有下面几个：
- 一定要用管理员身份运行安装包（安装包右键-以管理员身份运行），否则安装虽然显示完成，但会莫名缺失很大一块内容，可能连 Scripts 文件夹都没有，导致后续有问题。
- 安装过程中勾选了 Add Anaconda3 to my PATH environment variable ，但实际可能并没有成功。在系统变量（此电脑右键-属性-高级系统设置-环境变量-系统变量）里检查一下，如果发现没有，添加如下路径（比如我的装在了E盘）：
E:\ProgramData\Anaconda3\Scripts添加完 Path 之后记得要重启才会真的生效。
1.2.创建 conda 环境
官方指南其实前后有矛盾的，文章一开始推荐配置是 Python 3.7 ，实际流程中又按照 Python 3.8 创建的环境，我按 Python 3.8 配的没问题。
启动 Anaconda Prompt 时也要用管理员身份运行，否则后续安装各种框架的过程中有可能遇到奇怪的 Permission 问题。
2.安装框架
2.1.安装 PaddlePaddle
PaddlePaddle 是基础框架，一定要装的，不要和 PaddleOCR 安装搞混了， PaddlePaddle 安装步骤也参考官方文档。
注意此步安装要在上一步创建的 conda 环境中进行。
2.2.验证 PaddlePaddle
如果你使用的是 Pypi 源，这一步本来是没有坑的，但如果使用的是国内源，在验证环节：
import paddle
后就会发现报 protobuf 版本过高的错误。错误原因其实就是安装 Paddle 过程中会升级 protobuf 至4.21，降级回 3.20.1 就行：
pip install protobuf==3.20.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.3.安装 PaddleOCR
官方文档里面只有一句话，实际坑集中在这里爆发。
如果之前没有按照官方文档使用 Anaconda 在创建 conda 环境一步步来弄的话，这一步直接在 Terminal 用 Pip 会有 Error 装不上。就算按照官方提示安装 shapely 安装包也不行，我试着用 conda 来安装 shapely 再装 PaddleOCR 也不行。最后东拼西凑强行解决了安装中的报错问题后，再次导入 PaddlePaddle 框架居然发现 Numpy 也莫名发生了问题……
所以之前没有老实按照官方指南来做，这一步又发生乱七八糟问题不会 debug 的朋友，还是从头一步步弄吧，血泪教训。
另，Windows 下可以用 conda 安装 shapely 包先，然后再安装 PaddleOCR ，这样就不会报错：
conda install shapely
2.4.测试 PaddleOCR
2.4.1.代理问题
到这步其实大部分人都应该没有问题了，但如果很不幸的是你跟我一样在公司网络下配置，又恰好贵司代理服务器不允许/不支持 https 代理的话，会发现运行测试命令：
paddleocr --image_dir ./imgs/11.jpg --use_angle_cls true --use_gpu false
根本进行不下去了，会报 ProxyError 的问题。
其实这个问题在前面安装框架过程也可能发生，但可以通过-i + –trust-host 来解决，例如：
pip install openpyxl -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
但这里是 PaddleOCR 发起的，无法再像上面这样换成 http 来解决，公司电脑也不允许随便删除变动代理设置，这个时候该怎么办呢？
针对这个问题我查了非常多的资料，试了挺多办法都没有解决。最后在 DavyCloud 大佬这篇Python 遭遇 ProxyError 问题记录中终于找到了解决方案，我是用其中第1种方法解决的，即在用户变量中添加 HTTP_PROXY 和 HTTPS_PROXY 并全部设置为 http 的代理服务器地址来覆盖系统代理配置。
此时再用
import urllib.request;
print(urllib.request.getproxies())
检查，就会发现返回 https 代理已经变化了。
2.4.2.OMP Error #15
当终于解决代理问题，准备美滋滋等待结果的时候，发现执行测试命令还在报错：
OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
这个问题在 Chen John 大佬关于 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. 错误解决方法里面也有详解，主要就是因为 torch 和 Anaconda 有重复文件冲突，通过删除当前 env 下的 libiomp5md.dll 即可解决。
3.结语
万里长征第一步终于结束了，当然我自己踩的坑和 debug 过程远比上面写的多。
为什么很想把这件事做好，除了本身工作有需求，开发这样一个工具可以提高效率以外，也是想响应帅姐说的，摆烂了大半年，下半年得要有点进步了，哪怕是一点点呢。
做 HR 里面最会写代码的人，也挺好的。