long-image-ocr-skill

长图切割与 OCR 文字提取技能

将长截图（微信群聊记录、网页长图、文档截图等）切割成多张小图，使用视觉模型逐段提取文字，并清理乱码、按结构整理成可读文本。

✨ 特性

• 🖼️ 智能切割 — 自动检测图片尺寸，按合适高度切割长图
• 👁️ 视觉OCR — 使用视觉模型逐段读取，对深色主题/低分辨率图片效果远超传统 OCR
• 🧹 乱码清理 — 内置常见 OCR 噪声模式库，自动清理乱码
• 💬 聊天记录整理 — 自动识别发言人、时间戳、引用关系、系统消息
• 📄 多格式支持 — 适配微信群聊截图、网页截图、文档截图等场景

📁 文件结构

long-image-ocr-skill/
├── SKILL.md              # 技能定义文件（完整 SOP + 使用说明）
├── README.md             # 本文件
└── scripts/
    ├── split_image.py    # 长图切割脚本
    └── clean_ocr.py      # OCR 乱码清理脚本

🚀 使用方式

作为 SOLO Skill 使用

将本仓库内容复制到 SOLO 的 skills 目录下即可自动识别：

cp -r long-image-ocr-skill /data/user/skills/long-image-ocr

触发关键词：长图OCR、截图提取文字、聊天记录提取、切割长图、图片转文字 等。

独立使用脚本

切割长图

# 默认参数（切割高度 2000px）
python3 scripts/split_image.py screenshot.png

# 自定义切割高度
python3 scripts/split_image.py screenshot.png --chunk-height 1500

# 自定义输出目录
python3 scripts/split_image.py screenshot.png --output-dir ./output

清理 OCR 文本

# 仅清理乱码
python3 scripts/clean_ocr.py ocr_output.txt --mode clean

# 按聊天记录格式整理
python3 scripts/clean_ocr.py ocr_output.txt --mode chat --title "群聊记录"

# 按文档格式整理
python3 scripts/clean_ocr.py ocr_output.txt --mode doc

📋 工作流程

┌─────────────┐     ┌──────────────┐     ┌─────────────────┐     ┌──────────────┐
│  上传长截图   │ ──▶ │  检测图片尺寸  │ ──▶ │  切割为多张小图   │ ──▶ │  视觉模型读取  │
└─────────────┘     └──────────────┘     └─────────────────┘     └──────────────┘
                                                                         │
┌─────────────┐     ┌──────────────┐     ┌─────────────────┐            │
│  输出 Markdown│ ◀── │  按结构整理   │ ◀── │  清理乱码/去重   │ ◀──────────┘
└─────────────┘     └──────────────┘     └─────────────────┘

1. 检测图片 — 判断是否为长图（高度 > 3000px）
2. 切割长图 — 按固定高度切割，保存为 chunk_01.png, chunk_02.png, ...
3. 视觉模型读取 — 逐段用视觉模型提取文字（核心步骤，准确率远超 pytesseract）
4. 清理整理 — 去重、识别发言人、标注时间戳、保留链接
5. 输出文件 — 生成结构化的 Markdown 文件

🔧 依赖

• Python 3.7+
• Pillow (pip install pillow)

📝 注意事项

• 切割高度建议：微信聊天 1500-2000px，网页截图 2000-2500px
• 视觉模型每次最多并行读取 3 张图片
• 传统 OCR（pytesseract）对深色主题截图效果很差，建议优先使用视觉模型

📄 License

MIT