基于.NET框架集成GLM-OCR：开发企业桌面端文档处理软件

最近在帮一个朋友的公司做内部工具优化，他们每天都要处理大量纸质单据和扫描件，手动录入信息不仅效率低，还容易出错。他们尝试过一些现成的OCR工具，要么识别率不理想，要么价格昂贵，要么无法集成到自己的业务系统里。这让我想到，很多中小型企业其实都有类似的需求——需要一个能嵌入到自己工作流里、稳定可靠、且成本可控的文档识别工具。

刚好，像GLM-OCR这类开源或可本地部署的OCR服务越来越成熟，如果能把它和咱们熟悉的.NET桌面开发结合起来，自己动手做一个轻量级的文档处理软件，岂不是两全其美？今天，我就以一个实际的桌面工具开发为例，跟大家聊聊怎么在WPF或WinForms应用里，把GLM-OCR的能力用起来，打造一个从图片拖拽、批量识别到结果编辑导出的完整解决方案。

1. 为什么要在桌面端集成OCR？

在开始敲代码之前，咱们先想清楚一件事：为什么要把OCR能力做到桌面软件里，而不是直接用网页版？

首先，数据安全是企业，尤其是金融、法律、医疗等行业最关心的问题。把OCR服务部署在内网，或者通过桌面软件调用本地/内网的API，意味着敏感的文档图片不用上传到公网，从源头上降低了数据泄露的风险。

其次，流程整合的便利性无可替代。想象一下，财务人员扫描了一堆发票，她希望在一个软件里完成：打开扫描件 -> 自动识别 -> 核对修改 -> 一键生成报销单。如果这个软件还能直接调用内部的审批系统接口，整个流程就无缝衔接了。桌面应用能深度集成操作系统功能（如文件系统、剪贴板、打印机）和其他本地服务，这是浏览器难以做到的。

最后，是操作体验和稳定性。桌面应用可以提供更丰富的交互，比如拖拽文件、右键菜单、系统托盘操作，并且不受网络波动影响核心界面。对于需要长时间、批量处理文档的用户来说，一个响应迅速、功能专注的桌面工具体验更好。

所以，为.NET技术栈的企业开发团队提供一个集成了智能OCR的桌面端解决方案，不仅能解决具体的业务痛点，也是技术价值的一种体现。

2. 核心工具与框架选型

工欲善其事，必先利其器。在动手之前，我们先明确一下这个项目需要哪些“家伙事儿”。

开发环境与主要框架

  • .NET版本：建议使用**.NET 6或更高版本的LTS（长期支持）** 版本。它们性能更好，跨平台潜力大（虽然我们主要做Windows桌面），而且社区支持活跃。用Visual Studio 2022或JetBrains Rider作为IDE都很顺手。
  • 桌面UI框架选择：这是个经典问题。WPF和WinForms怎么选？
    • WPF：如果你的应用需要更现代、更灵活的UI（比如复杂的动画、自定义控件样式、数据绑定驱动），或者团队对XAML和数据绑定模式更熟悉，WPF是首选。它的MVVM模式非常适合将界面逻辑与业务逻辑分离。
    • WinForms：如果追求极致的开发速度，应用界面相对传统和固定，或者有大量遗留的WinForms控件代码需要复用，那么WinForms的拖拽式设计和简单的事件驱动模型会让你更快上手。
    • 本文的代码示例会以WPF为主，因为其模式更清晰，但核心的OCR调用逻辑在两者中是通用的。

OCR服务对接核心库 处理HTTP请求和JSON是调用GLM-OCR API的关键。

  • HttpClient：.NET中用于发送HTTP请求的现代、高效类。切记，要使用IHttpClientFactory来创建和管理HttpClient实例，这样可以避免端口耗尽和DNS变更等问题，这是生产环境中的最佳实践。
  • System.Text.Json：.NET Core以来内置的高性能JSON序列化库。用它来序列化请求体和反序列化OCR返回的结果，比旧的Newtonsoft.Json更轻快。

图像处理与界面增强

  • System.Drawing.Common（用于WinForms）或SkiaSharp / ImageSharp（用于WPF/.NET Core+）：用于基本的图片加载、缩放、预览。WPF本身有BitmapImage，但进行一些简单处理时可能需要这些库。
  • 社区控件库：为了提升开发效率和界面美观度，可以考虑使用如HandyControl（WPF）、MaterialDesignInXamlToolkit（WPF）或Bunifu UI（WinForms）等第三方UI库，它们提供了丰富的现代化控件。

安装包制作

  • Windows App SDK (MSIX)：这是微软目前主推的现代应用打包和部署技术。它能提供更干净的安装/卸载体验、自动更新、并更好地管理依赖。特别适合通过公司内网分发。
  • Inno Setup 或 Advanced Installer：如果你需要制作更传统、定制化程度更高的exe安装包，这些工具非常强大，可以编写复杂的安装脚本。

3. 软件核心功能设计与实现

下面，我们把这个文档处理工具拆解成几个核心模块，看看具体怎么实现。

3.1 应用界面与图片管理

一个友好的界面是成功的一半。我们设计一个主窗口，左侧是文件夹/图片列表，中间是图片预览区，右侧是识别结果编辑区。

<!-- WPF MainWindow.xaml 简化示例 -->
<Window x:Class="DocOcrTool.MainWindow"
        xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation"
        Title="智能文档处理工具" Height="600" Width="1000">
    <Grid>
        <Grid.ColumnDefinitions>
            <ColumnDefinition Width="200"/>
            <ColumnDefinition Width="*"/>
            <ColumnDefinition Width="300"/>
        </Grid.ColumnDefinitions>

        <!-- 左侧：文件列表区 -->
        <Border Grid.Column="0" BorderBrush="Gray" BorderThickness="0,0,1,0">
            <StackPanel>
                <Button Content="添加图片" Click="BtnAddImages_Click" Margin="5"/>
                <Button Content="添加文件夹" Click="BtnAddFolder_Click" Margin="5,0,5,5"/>
                <TextBlock Text="拖拽图片到此区域" Margin="5"/>
                <ListBox x:Name="LbImageList" DisplayMemberPath="FileName" SelectionChanged="LbImageList_SelectionChanged"/>
            </StackPanel>
        </Border>

        <!-- 中间：图片预览区 -->
        <Border Grid.Column="1" BorderBrush="Gray" BorderThickness="1">
            <ScrollViewer>
                <Image x:Name="ImgPreview" Stretch="Uniform"/>
            </ScrollViewer>
        </Border>

        <!-- 右侧：识别结果编辑区 -->
        <Border Grid.Column="2" BorderBrush="Gray" BorderThickness="1,0,0,0">
            <TabControl>
                <TabItem Header="文本结果">
                    <TextBox x:Name="TxtOcrResult" AcceptsReturn="True" TextWrapping="Wrap" VerticalScrollBarVisibility="Auto"/>
                </TabItem>
                <TabItem Header="表格结果">
                    <DataGrid x:Name="DgTableResult" AutoGenerateColumns="True"/>
                </TabItem>
            </TabControl>
        </Border>
    </Grid>
</Window>

实现拖拽和批量导入功能：

// 在主窗口构造函数或加载事件中启用拖放
public MainWindow()
{
    InitializeComponent();
    // 允许ListBox接受拖放
    LbImageList.AllowDrop = true;
    LbImageList.Drop += LbImageList_Drop;
    LbImageList.PreviewDragOver += LbImageList_PreviewDragOver;
}

private void LbImageList_PreviewDragOver(object sender, DragEventArgs e)
{
    // 检查拖入的是否是文件
    if (e.Data.GetDataPresent(DataFormats.FileDrop))
    {
        e.Effects = DragDropEffects.Copy;
    }
    else
    {
        e.Effects = DragDropEffects.None;
    }
    e.Handled = true;
}

private async void LbImageList_Drop(object sender, DragEventArgs e)
{
    if (e.Data.GetDataPresent(DataFormats.FileDrop))
    {
        string[] files = (string[])e.Data.GetData(DataFormats.FileDrop);
        var imageFiles = files.Where(f => IsImageFile(f)).ToArray(); // 过滤出图片文件
        await AddImageFilesToList(imageFiles); // 异步添加到列表
    }
}

private bool IsImageFile(string path)
{
    string ext = System.IO.Path.GetExtension(path).ToLower();
    return new[] { ".jpg", ".jpeg", ".png", ".bmp", ".tiff" }.Contains(ext);
}

3.2 集成GLM-OCR API

这是最核心的部分。我们需要异步调用GLM-OCR的HTTP接口。假设GLM-OCR服务提供了一个标准的HTTP POST接口，接收图片文件，返回JSON格式的识别结果。

首先，定义一个类来配置OCR服务：

public class OcrServiceOptions
{
    public string ApiEndpoint { get; set; } = "http://your-glm-ocr-server:port/v1/ocr"; // API地址
    public string ApiKey { get; set; } // 如果需要认证
    public int TimeoutSeconds { get; set; } = 30;
}

然后，创建一个OCR服务类，负责具体的调用逻辑：

using System.Net.Http.Headers;
using System.Text;
using System.Text.Json;

public interface IOcrService
{
    Task<OcrResult> RecognizeAsync(string imageFilePath);
    Task<OcrResult> RecognizeAsync(byte[] imageData);
}

public class GlmOcrService : IOcrService
{
    private readonly HttpClient _httpClient;
    private readonly OcrServiceOptions _options;

    // 通过IHttpClientFactory注入HttpClient是推荐做法
    public GlmOcrService(IHttpClientFactory httpClientFactory, OcrServiceOptions options)
    {
        _httpClient = httpClientFactory.CreateClient("GlmOcrClient");
        _httpClient.Timeout = TimeSpan.FromSeconds(options.TimeoutSeconds);
        _options = options;
    }

    public async Task<OcrResult> RecognizeAsync(string imageFilePath)
    {
        if (!File.Exists(imageFilePath))
            throw new FileNotFoundException("图片文件不存在", imageFilePath);

        using var imageBytes = await File.ReadAllBytesAsync(imageFilePath);
        return await RecognizeAsync(imageBytes);
    }

    public async Task<OcrResult> RecognizeAsync(byte[] imageData)
    {
        using var content = new MultipartFormDataContent();
        // 假设API接受名为“image”的文件字段
        var imageContent = new ByteArrayContent(imageData);
        imageContent.Headers.ContentType = new MediaTypeHeaderValue("image/jpeg"); // 根据实际类型调整
        content.Add(imageContent, "image", "document.jpg");

        // 如果需要API Key
        if (!string.IsNullOrEmpty(_options.ApiKey))
        {
            _httpClient.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", _options.ApiKey);
        }

        try
        {
            var response = await _httpClient.PostAsync(_options.ApiEndpoint, content);
            response.EnsureSuccessStatusCode(); // 确保HTTP请求成功

            var jsonString = await response.Content.ReadAsStringAsync();
            // 反序列化JSON到你的结果类
            var result = JsonSerializer.Deserialize<OcrResult>(jsonString, new JsonSerializerOptions { PropertyNameCaseInsensitive = true });
            return result ?? throw new InvalidOperationException("OCR API返回了空结果或反序列化失败。");
        }
        catch (HttpRequestException ex)
        {
            // 记录日志，并抛出更友好的异常
            throw new OcrServiceException($"调用OCR服务时发生网络错误: {ex.Message}", ex);
        }
        catch (TaskCanceledException) when (!_httpClient.Timeout.IsInfinite)
        {
            throw new OcrServiceException("OCR服务调用超时。");
        }
    }
}

// 定义OCR结果模型（根据GLM-OCR的实际返回结构定义）
public class OcrResult
{
    public string Text { get; set; } // 识别出的纯文本
    public List<TextBlock> Blocks { get; set; } // 带位置信息的文本块
    public List<OcrTable> Tables { get; set; } // 表格数据
    public int StatusCode { get; set; }
    public string Message { get; set; }
}

public class TextBlock
{
    public string Text { get; set; }
    public List<Point> Polygon { get; set; } // 文字区域多边形顶点
    public double Confidence { get; set; }
}

在WPF中注册服务（使用依赖注入）：

// 在App.xaml.cs或Program.cs中配置服务
public partial class App : Application
{
    public IServiceProvider ServiceProvider { get; private set; }

    protected override void OnStartup(StartupEventArgs e)
    {
        var services = new ServiceCollection();
        ConfigureServices(services);
        ServiceProvider = services.BuildServiceProvider();
        var mainWindow = ServiceProvider.GetRequiredService<MainWindow>();
        mainWindow.Show();
    }

    private void ConfigureServices(IServiceCollection services)
    {
        // 注册HttpClient工厂，并命名
        services.AddHttpClient("GlmOcrClient", client =>
        {
            // 可以在这里配置一些默认的BaseAddress或Headers
        });

        // 注册OCR配置（可以从appsettings.json读取）
        services.Configure<OcrServiceOptions>(Configuration.GetSection("OcrService"));
        services.AddSingleton<IOcrService, GlmOcrService>();

        // 注册主窗口
        services.AddSingleton<MainWindow>();
    }
}

3.3 结果可视化与编辑

拿到OCR识别结果后，我们需要把它友好地展示出来，并允许用户修改。

文本结果展示与编辑： 直接将OcrResult.Text绑定或赋值给一个TextBox，用户就可以像在记事本里一样修改了。对于带位置的Blocks，如果想实现“所见即所得”的校对（比如点击图片上的文字区域进行修改），就需要更复杂的渲染，可以用Canvas在图片上层绘制文本框。

表格结果处理： 如果OCR返回了结构化的表格数据，我们可以将其绑定到DataGrid。

// 假设OcrResult.Tables是一个列表，每个Table有Rows
private void DisplayTable(OcrTable table)
{
    // 这里需要根据表格结构动态生成DataGrid的列，或者使用自动生成
    DgTableResult.ItemsSource = table.Rows; // Rows可能是一个List<Dictionary<string, string>>或自定义对象列表
}

实现简单的校对功能： 可以添加一个“标记为错误”或“手动修正”按钮。当用户在文本框中修改了内容，或者选中表格中的某个单元格修改后，将修改记录到一个List<Correction>中，最终导出时应用这些修正。

3.4 结果导出与软件分发

导出到Word/Excel：

  • Word：可以使用免费的OpenXML SDK (DocumentFormat.OpenXml) 来生成.docx文件。它可以精细控制文档结构，但API相对复杂。对于简单文本导出，也可以直接生成HTML然后用Word打开。
  • Excel：同样可以使用OpenXML SDK，或者更简单的库如EPPlus（对于非商业用途免费）来创建和编辑.xlsx文件。EPPlus的API非常直观，容易上手。
// 使用EPPlus导出表格数据到Excel的示例
using OfficeOpenXml;

public void ExportToExcel(string filePath, OcrTable table)
{
    FileInfo excelFile = new FileInfo(filePath);
    using (ExcelPackage package = new ExcelPackage(excelFile))
    {
        ExcelWorksheet worksheet = package.Workbook.Worksheets.Add("识别结果");
        // 填充表头和数据
        for (int col = 0; col < table.Headers.Count; col++)
        {
            worksheet.Cells[1, col + 1].Value = table.Headers[col];
        }
        for (int row = 0; row < table.Rows.Count; row++)
        {
            for (int col = 0; col < table.Headers.Count; col++)
            {
                worksheet.Cells[row + 2, col + 1].Value = table.Rows[row][col];
            }
        }
        worksheet.Cells.AutoFitColumns();
        package.Save();
    }
}

制作安装包： 以使用Windows App SDK的MSIX打包项目为例：

  1. 在解决方案中添加一个新的“Windows应用程序打包项目”。
  2. 将你的WPF/WinForms应用作为主项目添加到打包项目中。
  3. 在打包项目的清单文件(Package.appxmanifest)中配置应用信息、图标、启动参数等。
  4. 配置依赖项（如.NET运行时）。VS可以自动帮你将运行时包含进去，生成一个独立的安装包。
  5. 生成项目，会在输出目录得到.msix或.msixbundle安装文件。用户双击即可安装，系统会自动管理它的更新和卸载。

4. 开发中的注意事项与优化建议

走通基本流程后，还有一些细节能让你的软件更健壮、更好用。

  • 异步编程与UI响应：所有耗时的操作（如图片加载、网络请求）都必须使用async/await，确保UI线程不被阻塞，界面保持流畅。记得在按钮点击事件中禁用按钮，防止重复提交。
  • 错误处理与重试：网络请求可能失败。要为OCR服务调用添加合理的重试机制（可以使用Polly这样的弹性库），并给用户友好的错误提示，而不是未处理的异常。
  • 图片预处理：GLM-OCR的识别效果很大程度上取决于输入图片的质量。可以在上传前在客户端做一些简单的预处理，比如自动旋转校正、对比度增强、降噪等（可以使用OpenCvSharp这样的库），这能显著提升复杂场景下的识别率。
  • 性能优化：批量处理时，可以考虑使用并行处理（如Parallel.ForEach），但要控制并发数，避免压垮本地或服务端。对于大图片，可以先进行缩放再上传，减少传输数据量。
  • 配置化管理：将OCR服务器的地址、超时时间、API密钥等放在配置文件（如appsettings.json）中，方便不同环境部署和用户自定义。

整个项目做下来，感觉就像搭积木，把.NET成熟的桌面开发生态和新兴的AI能力结合在了一起。这种集成并不复杂，核心就是稳定的HTTP客户端调用和友好的界面交互。最大的价值在于，它给了开发团队一种“自主可控”的能力，可以根据业务方的具体需求，灵活定制流程和功能，而不是去迁就外部软件的限制。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

AI审计时代来临，OpenClaw全链路智能稽核，构建企业常态化风控审计体系

OpenClaw依托柔性自动化与智能推理能力，打造全链路AI智能审计稽核体系，覆盖财务、行政、业务、合同、资产全场景，实现7×24小时不间断动态审计，让企业风控从“事后补救”转向“事前预防、事中管控”，成为新时代企业内控数字化的开源核心基座。首先是数据层全量比对，智能体自动抓取企业财务流水、报销单据、合同条款、采购台账、资产入库数据，完成跨系统、跨时段、跨部门数据交叉核验，精准筛查账实不符、账账不

avatar 龙虾开发者社区

优刻得Agent Ready：让Agent真正具备云资源操作能力

AI Agent的应用范围正在向更广泛的工程领域延伸。然而在实际落地过程中，Agent的执行链路往往在资源操作环节被迫中断——这并非Agent自身能力不足，而是多数平台尚未为Agent提供标准化的调用接口与操作权限，限制了Agent在真实生产环境中的价值释放。

avatar 龙虾开发者社区
cover

AI Agent 的长短期记忆系统怎么做？记忆是怎么存的？

avatar 龙虾开发者社区