如何解析Google Cloud OCR输出的类JSON格式并转为标准JSON？

问题描述 #

从Google Cloud OCR获取的数据呈现为一种类JSON格式，但键无引号、缺少逗号，示例如下：

text_annotations {
  description: ","
  bounding_poly {
    vertices {
      x: 485
      y: 237
    }
    vertices {
      x: 492
      y: 237
    }
    vertices {
      x: 492
      y: 266
    }
    vertices {
      x: 485
      y: 266
    }
  }
}

获取该数据的Python代码如下：

from google.cloud import vision
import io
client = vision.ImageAnnotatorClient()

feature = vision.Feature(
    type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION)


with io.open(path, 'rb') as image_file:
    content = image_file.read()

image = vision.Image(content=content)

response = client.text_detection(image=image)
print(response)

需要找到简便方法解析该格式或转换为标准JSON。

解决方案 #

你看到的不是类JSON格式，而是Protocol Buffers（Protobuf）的文本序列化形式。Google Cloud Vision的API返回的response是Protobuf消息实例，直接print()会输出这种文本格式，无需手动添加引号和逗号，用官方提供的工具就能直接转成标准JSON或Python字典：

方法1：转换为标准JSON字符串 #

导入google.protobuf.json_format中的MessageToJson方法，直接将Protobuf对象转为JSON：

from google.cloud import vision
import io
from google.protobuf.json_format import MessageToJson

client = vision.ImageAnnotatorClient()

feature = vision.Feature(
    type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION)

path = "你的图片路径"
with io.open(path, 'rb') as image_file:
    content = image_file.read()

image = vision.Image(content=content)

response = client.text_detection(image=image)
# 转换为标准JSON并打印
print(MessageToJson(response))

方法2：转换为Python字典 #

如果需要进一步处理数据，可以用MessageToDict将Protobuf对象转为Python字典，之后可按需转成JSON或直接操作：

from google.cloud import vision
import io
from google.protobuf.json_format import MessageToDict
import json

client = vision.ImageAnnotatorClient()

feature = vision.Feature(
    type_=vision.Feature.Type.DOCUMENT_TEXT_DETECTION)

path = "你的图片路径"
with io.open(path, 'rb') as image_file:
    content = image_file.read()

image = vision.Image(content=content)

response = client.text_detection(image=image)
# 转换为Python字典
response_dict = MessageToDict(response)
# 可选：将字典转为格式化后的JSON字符串
json_str = json.dumps(response_dict, indent=2)
print(json_str)

这两种方法都是官方支持的最优方案，避免了手动解析的繁琐和出错风险。

内容的提问来源于stack exchange，提问作者Pondzik