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
• ⌨️ 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

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

git clone <远程仓库地址>
cd long-screen-cut

2. 安装依赖

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

3. 安装OCR引擎（二选一）

方案A：Umi-OCR（推荐）

1. 下载 Umi-OCR
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

启动程序

python main.py

操作流程

1. 等待热键：程序启动后会显示 等待热键 Ctrl+F9 启动...
2. 触发截屏：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：

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
├── 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

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 - 优秀的离线OCR软件