long-screen-cut/README.md

# 滚动截屏OCR工具

一个智能的滚动截屏OCR工具，可以自动识别页面中的内容区块（div），滚动截屏并进行OCR文字识别。

## 功能特点

- 🎯 **智能区域检测**：使用灰度阈值 + 连续行判定算法，自动识别内容区块（div）和空白间隔
- 📜 **自动滚动截屏**：根据内容高度自动计算滚动距离，连续截屏
- 🔤 **OCR文字识别**：支持 Umi-OCR 和自定义HTTP OCR服务
- 🖥️ **图形界面**：美观的PySide6 GUI界面，操作更简单
- ⌨️ **热键触发**：按 `Ctrl+F9` 快速启动
- 🖱️ **框选区域**：拖动鼠标选择截图区域
- 🛑 **智能停止**：检测到重复内容时自动停止
- 📱 **系统托盘**：最小化到托盘，不占用任务栏

## 适用场景

- 长网页滚动截图OCR
- 聊天记录导出
- 长文档内容提取
- 任何需要滚动才能看完全部的内容

## 安装

### 1. 克隆仓库

```bash
git clone <远程仓库地址>
cd long-screen-cut
```

### 2. 安装依赖

```bash
pip install -r requirements.txt
```

依赖列表：
- opencv-python >= 4.8.0
- numpy >= 1.24.0
- pillow >= 10.0.0
- pyautogui >= 0.9.54
- keyboard >= 0.13.5
- mouse >= 0.7.1
- requests >= 2.31.0
- loguru >= 0.7.0
- pyside6 >= 6.5.0

### 3. 安装OCR引擎（二选一）

#### 方案A：Umi-OCR（推荐）

1. 下载 [Umi-OCR](https://github.com/hiroi-sora/Umi-OCR/releases)
2. 解压并运行 `Umi-OCR.exe`
3. 进入 **设置 → HTTP接口**
4. 勾选 **启用HTTP服务**
5. 确保端口为 `1224`（默认）

#### 方案B：自定义HTTP OCR服务

参考 `ocr_server_example.py` 实现自己的OCR服务，或修改配置使用其他OCR API。

## 使用方法

### 图形界面方式（推荐）

```bash
python gui.py
```

界面功能：
- **开始截屏**按钮：启动截屏OCR流程
- **停止**按钮：手动停止当前任务
- **清空日志**按钮：清空日志显示区域
- **日志显示**：彩色日志输出，带时间戳
- **进度条**：显示当前任务进度
- **状态标签**：显示当前运行状态
- **系统托盘**：关闭窗口会最小化到托盘

### 命令行方式

```bash
python main.py
```

### 操作流程

1. **启动程序**：运行 `python gui.py` 或 `python main.py`
2. **触发截屏**：
   - GUI方式：点击「开始截屏」按钮
   - 命令行：按 `Ctrl+F9`
3. **检查服务**：程序会检查OCR服务是否运行
4. **框选区域**：按住鼠标左键拖动，选择要截图的区域
5. **自动处理**：程序会自动：
   - 截取当前屏幕
   - 分析内容区块（div）
   - OCR识别文字
   - 计算滚动距离
   - 滚动到下一屏
   - 重复上述过程
6. **自动停止**：当检测到重复内容时自动停止

### 输出结果

- 截图保存在 `output/` 目录
- OCR结果保存在 `output/all_results_时间戳.json`

## 配置说明

编辑 `main.py` 中的 `Config` 类：

```python
class Config:
    # 热键设置
    HOTKEY = "ctrl+f9"

    # 图像分析参数
    GRAY_THRESHOLD = 240          # 灰度阈值（0-255）
    CONSECUTIVE_LINES = 3         # 连续多少行判定为空白
    WHITE_PIXEL_RATIO = 0.9       # 白色像素比例阈值

    # OCR设置
    OCR_ENGINE = "umi"            # "umi" 或 "http"
    OCR_API_URL = "http://localhost:8000/ocr"  # HTTP模式时使用
    OCR_TIMEOUT = 30              # OCR请求超时时间（秒）

    # Umi-OCR设置
    UMI_OCR_HOST = "127.0.0.1"
    UMI_OCR_PORT = 1224

    # 滚动设置
    SCROLL_DELAY = 0.5            # 滚动后等待渲染时间（秒）
    MAX_SCROLL_COUNT = 100        # 最大滚动次数

    # 输出设置
    OUTPUT_DIR = "output"
```

## 核心算法

### 内容区块检测算法

1. **灰度转换**：将截图转换为灰度图
2. **逐行扫描**：计算每行的白色像素比例
3. **空白判定**：如果一行中超过 `WHITE_PIXEL_RATIO`（默认90%）的像素灰度值 > `GRAY_THRESHOLD`（默认240），则认为是空白行
4. **连续判定**：连续 `CONSECUTIVE_LINES`（默认3行）空白行视为间隔区域
5. **区块划分**：非空白行区域视为内容区块（div）

### 滚动距离计算

```
滚动距离 = 第一个div高度 + 其后空白间隔高度 - 重叠区域
```

重叠区域确保连续性，默认为div高度的1/4。

## 项目结构

```
long-screen-cut/
├── main.py                 # 主程序（命令行版）
├── gui.py                  # 图形界面程序（PySide6）
├── umi_ocr_client.py       # Umi-OCR HTTP客户端
├── ocr_server_example.py   # OCR服务示例（Flask）
├── requirements.txt        # Python依赖
├── .gitignore             # Git忽略配置
└── README.md              # 本文件
```

## API文档

### UmiOCRClient

```python
from umi_ocr_client import UmiOCRClient

client = UmiOCRClient(host="127.0.0.1", port=1224)

# 检查服务状态
if client.is_service_running():
    print("服务运行中")

# 截图识别
text = client.recognize_screenshot()

# 图片文件识别
text = client.recognize_image("/path/to/image.png")

# 批量识别
texts = client.recognize_images(["1.png", "2.png", "3.png"])
```

## 常见问题

### Q: 程序提示"Umi-OCR服务未运行"

A: 请确保：
1. Umi-OCR软件已启动
2. 进入 **设置 → HTTP接口**
3. 勾选 **启用HTTP服务**
4. 端口设置为 `1224`

### Q: 识别区域不准确

A: 调整 `Config` 中的图像分析参数：
- `GRAY_THRESHOLD`：降低可以识别更浅的背景色
- `CONSECUTIVE_LINES`：增加可以减少误判
- `WHITE_PIXEL_RATIO`：降低可以容忍更多杂色

### Q: 滚动太快/太慢

A: 调整 `SCROLL_DELAY`：
- 网页加载慢：增加延迟
- 本地应用：可以减少延迟

### Q: 如何停止程序

A: 
- 正常停止：按 `Ctrl+C`
- 强制停止：关闭终端窗口

## 开发计划

- [ ] 支持更多OCR引擎（PaddleOCR、Tesseract等）
- [ ] GUI界面
- [ ] 支持水平滚动
- [ ] 智能去重（相似度判断）
- [ ] 导出为多种格式（Markdown、Word、PDF）

## 许可证

MIT License

## 致谢

- [Umi-OCR](https://github.com/hiroi-sora/Umi-OCR) - 优秀的离线OCR软件