从需求文档到智能化测试：基于 PaddleOCR 的图片信息处理与自动化提取

在软件测试的实际工作中，需求文档是测试工程师的重要工具。然而，随着需求文档的复杂化，文档中的图片（如业务流程图、UI 示意图和测试用例说明图）不仅承载了大量关键信息，也是测试用例设计的重要依据。如何从需求文档中快速、准确地提取图片内容，甚至将其转化为结构化文本进行分析，是提升测试效率的关键。 本文将通过结合 Python-Docx 和 PaddleOCR ，实现一套自动化提取需求文档图片并进行文字识别的解决方案。测试工程师可以利用本文提供的工具，快速从指定标题下的图片中提取内容并识别文字，大幅减少人工操作的时间成本。

1 测试工程师的痛点：为何要自动提取图片并识别文字？

在需求分析阶段，测试工程师通常需要从需求文档中提取图片，并根据图片内容设计测试用例。这一过程中存在以下常见痛点：

1. 图片信息分散 图片可能分布在文档的多个章节中，手动查找费时费力。
2. 手动识别效率低下 即使找到图片，人工识别和整理图片内容容易出现遗漏或理解偏差。
3. 文档标题样式多样化 不同文档的标题样式可能不一致，难以通过固定规则准确提取。
4. 图片文字识别复杂 图片中的文字可能包含中英文混合内容、复杂表格或特殊字体，普通工具识别效果有限。 基于这些痛点，我们提出了一个解决方案：通过 Python-Docx 提取指定标题下的图片，并结合 PaddleOCR 对图片内容进行文字识别，最终将识别结果输出，供测试工程师高效使用。

2 技术方案：从图片提取到文字识别

我们的技术方案分为以下几个步骤：

1. 提取指定标题下的图片 利用 python-docx 从需求文档中提取指定标题下的图片，支持模糊匹配标题，兼容多种标题样式。
2. 使用 PaddleOCR 进行文字识别 对提取的图片进行 OCR 处理，识别图片中的文字内容，支持中英文混合及表格处理。
3. 输出结构化识别结果 将识别到的内容按标题和图片分组输出，便于测试工程师直接使用。 以下是完整的代码实现。

3 代码实现：自动提取图片并进行文字识别

3.1 获取指定标题下的图片

我们通过 python-docx 提取文档中指定标题下的图片，并保存到本地： import os import cv2 import numpy as np import xml.etree.cElementTree as ET from docx import Document def is_heading_enhanced(paragraph): """ 判断段落是否为标题（增强版）。 包含对样式名称、字体大小和加粗特征的检查。 """ heading_features = { ‘keywords’: [‘标题’, ‘heading’, ‘header’, ‘h1’, ‘h2’, ‘h3’, ‘chapter’], ‘font_size’: (14, 72) } style_match = any( kw in (paragraph.style.name or “”).lower() for kw in heading_features[‘keywords’] ) if style_match: return True try: font = paragraph.style.font or paragraph.document.styles[‘Normal’].font effective_size = font.size.pt if font.size else 12 return heading_features[‘font_size’][0] <= effective_size <= heading_features[‘font_size’][1] except Exception as e: print(f"格式检查失败: {str(e)}") return False def get_target_pic(docx_file, target_title): """ 从指定 docx 文件中提取目标标题下的图片。 """ doc = Document(docx_file) target_title_list = [title.strip() for title in target_title.split(",") if title.strip()] xml_elements = [] found_start = False for par in doc.paragraphs: par_text = par.text.strip() if par_text and any(title in par_text for title in target_title_list) and is_heading_enhanced(par): found_start = True continue elif is_heading_enhanced(par): found_start = False if found_start: xml_elements.append(par.element.xml) rId_list = [] def get_img_rId(root_element, target_tag, target_attribute, out_list): for child in root_element: if child.tag in target_tag and target_attribute in child.attrib: out_list.append(child.attrib[target_attribute]) else: get_img_rId(child, target_tag, target_attribute, out_list) for element in xml_elements: root = ET.fromstring(element) target_tags = [ ‘{urn:schemas-microsoft-com:vml}imagedata’, ‘{http://schemas.openxmlformats.org/drawingml/2006/main}blip’ ] target_attributes = [ ‘{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed’, ‘{http://schemas.openxmlformats.org/officeDocument/2006/relationships}id’ ] for target_attribute in target_attributes: get_img_rId(root, target_tags, target_attribute, rId_list) images = [] output_dir = os.path.dirname(docx_file) for idx, rId in enumerate(rId_list): try: img_part = doc.part.related_parts[rId] img_binary = img_part.blob img = cv2.imdecode(np.frombuffer(img_binary, np.uint8), cv2.IMREAD_COLOR) if img is None: continue img_name = os.path.join(output_dir, f"extracted_image{idx + 1}.jpg") cv2.imwrite(img_name, img) images.append(img_name) except Exception as e: print(f"图片提取失败，rId={rId}: {e}") return images if images else None

3.2 使用 PaddleOCR 识别提取的图片

我们使用 PaddleOCR 对提取的图片进行文字识别： from paddleocr import PaddleOCR

初始化 PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang=“ch”) # 支持方向分类和中英文混合识别 def perform_ocr_with_paddle(images): """ 使用 PaddleOCR 对图片进行文字识别。 """ results = [] for image_path in images: try: img = cv2.imread(image_path) ocr_result = ocr.ocr(img, cls=True) text_lines = [line[1][0] for line in ocr_result[0]] results.append((image_path, “\n”.join(text_lines))) except Exception as e: results.append((image_path, f"OCR 识别失败: {e}")) return results

3.3 组合主流程

if name == ‘main’:

用户输入的标题和文档路径

target_title = ‘业务流程,测试用例’ file_path = ‘需求文档.docx’

提取图片

print(“正在提取图片…”) image_paths = get_target_pic(file_path, target_title) if not image_paths: print(“未找到目标标题下的图片”) exit() print(f"提取到 {len(image_paths)} 张图片：{image_paths}")

OCR 识别

print("\n正在进行 OCR 识别…") ocr_results = perform_ocr_with_paddle(image_paths)

输出结果

for image_path, text in ocr_results: print(f"\n图片路径：{image_path}") print(f"识别内容：\n{text}")

4 示例运行结果

用户输入

目标标题：业务流程,测试用例 文档路径：xxx.docx

输出结果

提取到 1 张图片： [‘D:\python_project\with_playwright\0312\img0.jpg’] 提取到 1 张图片：[‘D:\python_project\with_playwright\0312\img0.jpg’] 正在进行 OCR 识别… 图片路径：D:\python_project\with_playwright\0312\img0.jpg 识别内容： 专员 创建活动 发送二维码邀请 填写信息提交 生成客户信息 扫码核销签到 码 拍摄照片上传 T+7录入跟踪 信息 跟踪90天加保 信息

5 测试工程师的收益

通过本文提供的工具，测试工程师可以：

• 快速提取图片信息 ：自动提取指定标题下的所有图片，避免手动查找。
• 精准识别图片文字 ：结合 PaddleOCR，支持中英文混合内容的高效识别。
• 提升测试效率 ：将图片内容转化为结构化文本，直接为测试用例设计提供依据。

6 总结

本文结合 Python-Docx 和 PaddleOCR ，实现了从需求文档中提取图片并进行文字识别的完整流程。通过这一工具，测试工程师可以显著提升需求分析的效率，同时减少人工操作的错误率。未来，我们还可以进一步优化识别算法，支持复杂表格和图形的解析，为测试自动化提供更多可能性。