38 结构化文本识别与关键信息提取

引言

前面的文章解决了"把图片里的文字识别出来并展示"。但很多真实需求不止于此：扫一张名片要自动存下姓名和电话，扫一张发票要自动记账金额，扫一张身份证要提取证件号。这类需求的核心是"结构化提取"——从一整段识别文本中，精准捞出关键字段。HarmonyOS 的 textRecognition 结果并非只有一段拼好的字符串，它还保留了段落、行、单词的层级结构与坐标信息。本文先讲清 TextRecognitionResult 的数据结构，再给出基于正则和逐行匹配的两套关键信息提取方案，并讨论 result.value 与逐行结果的差异与局限。

正文知识点

1. TextRecognitionResult 的层级结构

textRecognition.recognizeText 返回的 TextRecognitionResult 包含两级内容：

• value: string —— 识别出的全文文本（工程中展示用的就是这个字段）；
• blocks: Array<TextBlock> —— 文本块（段落）数组，每个 TextBlock 有 value（段落文本）和 lines 数组；
• 每个 TextLine（文本行）有 value（行文本）、cornerPoints（行外框四点坐标，顺时针）和 words 数组；
• 每个 TextWord（单词）有 value（单词文本）和 cornerPoints（单词外框坐标）。

层级关系是：全文 value → blocks（段落）→ lines（行）→ words（单词），且行、词都带像素坐标。坐标的价值在于：可以判断两个字段在画面中的相对位置（谁在左、谁在上），这在"姓名/电话"这类字段的配对上有奇效。

2. result.value 与逐行结果的区别与局限

• result.value 是把识别文本按顺序拼接的纯文本，直接、够用，但丢失了排版结构——哪些字是一行的、字段的物理位置在哪，全都没有了；而且不同引擎对换行的拼接策略不同，用它做"按行解析"不可靠。
• blocks / lines / words 保留了结构信息：行与行的边界是明确的，每个词都有坐标。缺点是需要多写遍历代码，且引擎对"块"的切分并不总是符合人眼直觉。
• 共同局限：没有置信度字段。当前版本的行/词对象里没有 confidence（置信度）属性，无法像某些平台那样按分数过滤低质量识别；且识别针对印刷体，手写体、艺术字体效果差。

因此建议的组合策略是：需要全文用 value，需要按行/按位置解析用 blocks/lines。

3. 正则提取常见结构化字段

对 value 或每一行做正则匹配，是提取"手机号、身份证、日期、金额"最轻量的方式。常用模式：

字段

正则（示例）

说明

手机号	1[3-9]\d{9}	大陆手机号 11 位
身份证号	\d{17}[\dXx]	18 位，末位可为 X
日期	\d{4}[-/年]\d{1,2}[-/月]\d{1,2}日?	覆盖常见分隔符
金额	(?:￥\|¥\|RMB)?\s?\d+(?:\.\d{2})?	带或不带货币符号
邮箱	[\w.-]+@[\w.-]+\.\w+	简单邮箱模式

注意 OCR 会把全角字符、空格等原样带出，正则里要预留容错（如 [0-9０-９]、\s*）。

代码示例

示例一：基于 result.value 提取名片关键信息

先沿用工程的识别流程拿到 value，再做正则提取（识别部分可复用 Camera.ets 的 recognizeImage）：

interface ContactInfo {
  name: string;
  phone: string;
  email: string;
}

// 输入识别全文，提取名片关键字段
function extractContact(rawText: string): ContactInfo {
  const info: ContactInfo = { name: '', phone: '', email: '' };
  // 手机号：支持 138-1234-5678、138 1234 5678 等带分隔符写法
  const phoneMatch: RegExpMatchArray | null = rawText.match(/1[3-9][-\s]?\d{4}[-\s]?\d{4}/g);
  if (phoneMatch && phoneMatch.length > 0) {
    info.phone = phoneMatch[0].replace(/[-\s]/g, '');
  }
  // 邮箱
  const emailMatch: RegExpMatchArray | null = rawText.match(/[\w.-]+@[\w.-]+\.\w+/g);
  if (emailMatch && emailMatch.length > 0) {
    info.email = emailMatch[0];
  }
  // 姓名：取"姓名/名字/Name"关键字所在行，剥离关键字后作为姓名
  const lines: string[] = rawText.split('\n');
  for (const line of lines) {
    const nameLine = line.match(/(?:姓名|名字|Name)[:：\s]*(.+)/i);
    if (nameLine) {
      info.name = nameLine[1].trim();
      break;
    }
  }
  return info;
}

示例二：基于 lines 逐行解析，坐标辅助配对

当名片排版是"姓名一行、电话一行"时，直接遍历 blocks/lines 比全文正则更稳（此示例演示遍历 TextRecognitionResult.blocks 结构）：

import { textRecognition } from '@kit.CoreVisionKit';

function parseByLines(result: textRecognition.TextRecognitionResult): ContactInfo {
  const info: ContactInfo = { name: '', phone: '', email: '' };
  for (const block of result.blocks) {
    for (const line of block.lines) {
      const text: string = line.value;
      // 逐行按关键字归类
      if (!info.name && /(?:姓名|名字|Name)/i.test(text)) {
        info.name = text.replace(/(?:姓名|名字|Name)[:：]?/i, '').trim();
      } else if (!info.phone && /1[3-9]\d{9}/.test(text.replace(/[-\s]/g, ''))) {
        info.phone = text.replace(/[-\s]/g, '');
      } else if (!info.email && /[\w.-]+@[\w.-]+\.\w+/.test(text)) {
        info.email = text;
      }
    }
  }
  return info;
}

若一行里同时有"姓名"和"电话"，而二者又需要绑定关系，可利用 line.cornerPoints 的坐标判断谁在左谁在右：取两行外框左上角点的 x/y 比较即可，示例略。

示例三：接入工程识别流程

// 在 Camera.ets 中新增：识别并结构化
async recognizeContact(buffer: ArrayBuffer): Promise<ContactInfo> {
  let imageResource = image.createImageSource(buffer);
  let pixelMapInstance = await imageResource.createPixelMap();
  let visionInfo: textRecognition.VisionInfo = { pixelMap: pixelMapInstance };
  let textConfiguration: textRecognition.TextRecognitionConfiguration = {
    isDirectionDetectionSupported: true
  };
  let contact: ContactInfo = { name: '', phone: '', email: '' };
  try {
    if (canIUse('SystemCapability.AI.OCR.TextRecognition')) {
      const result = await textRecognition.recognizeText(visionInfo, textConfiguration);
      contact = parseByLines(result);
      if (contact.phone === '' && result.value !== '') {
        // 逐行没解析出来，退回全文正则兜底
        contact = extractContact(result.value);
      }
    }
  } catch (error) {
    let err = error as BusinessError;
    hilog.error(0x0000, 'Camera', `recognizeContact failed. code=${err.code}, message=${err.message}`);
  } finally {
    pixelMapInstance.release();
    imageResource.release();
  }
  return contact;
}

运行效果与注意事项

• 先按行、后全文兜底：示例三展示了双保险——优先用 lines 结构解析，解析不出关键字段再退回 value 正则。实测中"关键字+冒号"的印刷体名片，逐行解析的准确率更高。
• 正则容错：OCR 常见把 0 认成 O、1 认成 l，身份证/金额提取前可先做归一化（全角转半角、去空格）；正则写宽一点（[0-9０-９]）能显著提高召回。
• 行序不保证 100% 可靠：blocks 的顺序大体按版面自上而下，但多栏排版时可能交错；做"上一行是姓名、下一行是电话"的配对前，优先用坐标判断位置关系。
• 没有置信度字段：不要试图读取 confidence（当前版本不存在），也不要用手写体测试效果——官方约束明确主要支持印刷体。
• 清理资源：结构化识别同样要释放 pixelMapInstance 和 imageResource（见示例三 finally），否则高频扫描会累积内存。

总结

TextRecognitionResult 的"全文 value + 段落/行/词 + 坐标"结构，决定了提取方案的选择：纯文本字段（电话、邮箱、金额）用 value 加正则最省事；需要按行、按位置关联的字段（姓名与电话配对、表格式单据）用 blocks/lines 遍历更可靠；两者结合、逐行优先、全文兜底，是工程上最稳妥的姿势。记住当前版本没有置信度、只认印刷体这两条边界，方案设计就不会跑偏。

---

*本系列文章基于 HarmonyOS 5.0.5 SDK（API 12）与示例工程 aicharacter-recognition 编写，文中接口以对应版本 API 参考为准。*