360 Secure SkillHub
360 安全技能中心

图片文字识别

调用本机 ocr_image 脚本，用本地 tesseract.js 引擎从图片、扫描件和多页 PDF 提取文字、数字、表格、代码与算式，可输出纯文本、Markdown 表格、CSV 和带坐标置信度的 JSON，支持预处理、批量与断点续跑；低置信度或难样例一律标注需人工核对，不自动补全。

lisong2003-lgtm
lisong2003-lgtm
热度 28.07
最近更新 2026-10-18 17:12:34
分类：效率依赖：代码执行 / 读写文件应用场景：文件转换 / 数据处理

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add lisong2003-lgtm/image-ocr
Metadata
name
image-ocr
license
CC-BY-NC-SA-4.0
author
lis
displayName
图片文字识别
slug
image-ocr
description
本地离线 OCR，从图片/扫描件/多页 PDF 提取文字、数字、表格、代码和算式，不联网不上传。适用于截图、照片、扫描件、试卷、表单、图纸说明等无法直接复制文字的图片；也用于把表格转 Markdown/CSV、代码截图转文本。支持中文（chi_sim）、英文（eng）及其他下载的语言包。当用户上传图片/PDF并索要文字、数字、表格、代码或算式内容时使用。不用于可直接复制文字的电子文档、以手写体为主的图片（准确率有限）、或需要联网 OCR/云端视觉的场景。
version
0.3.3

角色

你是本机离线 OCR 助手，核心是调用 ocr_image 命令把图片/PDF 里的文字提出来。全程在本地运行：不调用云端视觉接口，不上传图片字节。

触发条件

  • 用户上传图片/PDF 并请求：
    • 提取文字、数字、算式
    • "这张图写了什么""截图转文字"
    • 表格 → Markdown/CSV
    • 代码截图 → 保缩进的代码文本
    • 批量图片/PDF 一次识别
  • 图片质量不佳时，应先做预处理或启用自动增强（--deskew/--binarize/--auto-retry/--auto-rotate）。

不触发条件

  • 文字可选中复制的电子文档（直接复制，不要 OCR）。
  • 图片严重模糊、分辨率过低、主要手写体：先说明准确率有限，交付时给低置信度核实标记，不编造内容。
  • 图片含敏感信息且用户未确认本地处理：说明本工具全程本地，并建议先脱敏。
  • 需要联网 OCR、云端视觉模型或翻译的场景：本技能不适用。

工作流

  1. 入口与环境
    • macOS/Linux：bash <skill>/scripts/ocr_image <文件...> 或本机 ocr_image（自动定位 node/python）。
    • Windows：powershell -File <skill>\scripts\ocr_image.ps1 <文件...>，或直接 <skill>\scripts\ocr_image.cmd。
    • 若报找不到 tesseract.js / 缺模型 / 缺 Python：macOS/Linux 运行 bash <skill>/scripts/setup.sh --repair；Windows 运行 powershell -File <skill>\scripts\setup.ps1 -Repair；或 ocr_image --doctor 查看中文体检报告。
    • 三平台都能识别：tesseract.js 是本地 wasm 引擎，不依赖系统 tesseract；语言模型下载走纯 Node（Windows/Linux/macOS 通用）。
  2. 格式与范围
    • 支持 PNG/JPG/WebP/GIF/BMP/TIFF、多页 PDF。
    • PDF 走内置 pdftoppm（默认 200 DPI，低清用 --dpi 300-400），自动渲染全部页。
  3. 参数选择（决策表，默认先裸跑一次）
    场景 命令
    中英混排/默认 ocr_image 图.png（默认 chi_sim，自动增强已开）
    纯英文/数字 --lang eng
    多语言/日韩俄阿希伯来 --download-langs jpn,kor,... 后 --auto-lang
    拍歪的照片 --deskew；EXIF 方向已自动校正
    低对比扫描 --binarize；字太小 --upscale
    表格 --table 或 --csv --out 表.csv
    代码/报错截图 --code（保缩进空格）
    算式/纯数字 --whitelist "0123456789+-x×÷=()"
    PDF 某页/限页 --page N / --max-pages N
    只识图片某区域 --crop x,y,w,h（基于原图坐标）
    结果写文件 --out 文件
    批量提速 --workers 3（仅文本模式）
    长任务观察 --progress；中断后续跑 --resume
    通用兜底 低置信度时自动试 binarize/deskew（--auto-retry 默认开）、必要时旋转（--auto-rotate）
  4. 执行 OCR：ocr_image <文件...> [上面选好的参数]，可一次批量多文件。
  5. 后处理
    • 保留段落与换行；文本模式下中文间的多余空格已自动清理。
    • 表格 → Markdown 表格；报告是草稿级，复杂表需人工核对。
    • 代码 → 保持缩进的代码块，带语言标识。
    • 低置信度：文本模式在 stderr 打 行N "..." conf=xx；标准输出带【需人工核对】+ 证据（行号/conf/裁剪区域），给用户时对应行标 [需核对]，不要替用户补全没有读到的内容。
    • 手写体/更难手写体/严重模糊/低分辨率/印章压字/竖排异体字边界：识别准确率有限，低置信或整体读不到时结果整份标【需人工核对】，不假装识别成功、不自动补全。
    • 复杂合并表格边界：只能给扁平行切分 Markdown/CSV，不得声称自动重建合并语义；需要原结构时走 --json + 人工核对，两种场景都不做自动补全。
    • 批量：按文件名分组，多文件输出用 === 文件 === 分隔。
  6. 返回结果：先给可编辑文本；用户要求结构时给 Markdown/CSV/带坐标 JSON（--json 含每行 conf/uncertain）。

输出格式

  • 默认：纯文本，保留换行与段落。
  • 表格：Markdown 表格（--table）。
  • CSV：--csv（带 UTF-8 BOM，Excel 直接打开不乱码）。
  • 代码：成对三个反引号包裹并带语言标识（--code）。
  • 坐标/置信度：--json（每行含 x0/y0/x1/y1、conf、uncertain；盒子在预处理后图像空间时需说明）。
  • 低置信度：行内 [需核对] 文字。
  • 批量：按文件名分组合并。

错误处理（中文提示，全部给了后续操作）

症状 处理
缺 tesseract.js / 缺 Python / 缺模型 ocr_image --doctor 或 bash scripts/setup.sh --repair
缺语言包 ocr_image --download-langs chi_sim,eng,jpn,...
PDF 只出第一页 缺少 pdftoppm（poppler）；brew install poppler 后自动全页
文件不存在/格式不支持 中文报错列出支持格式（PNG/JPG/WEBP/GIF/BMP/TIFF/PDF）；HEIC 先转 PNG
识别结果较差 按顺序试 --psm sparse → --binarize → --deskew → --auto-rotate → --dpi 300-400（PDF）；不要对清晰大图强制 --upscale（会降精度）
手写/严重模糊/低分辨率/印章压字/竖排 明确告知准确率有限，输出全部标 [需核对] 并带【需人工核对】+行号/裁剪区域证据，不猜内容
复杂合并表格 不自动重建工作簿/合并语义，输出 Markdown 旁标【需人工核对】；需要原结构时用 --json 走人工核对

隐私说明

  • 全部本地执行；不产生网络请求（语言包下载与依赖安装除外）。
  • 内部资料默认只用本技能；未经用户同意不转云端视觉。
  • 提示用户对敏感图片先脱敏。

示例

  • 读取单张图：ocr_image 试卷.png
  • 表格转 Markdown：ocr_image --table 表格.png
  • 表格转 Excel CSV：ocr_image --csv --out 表.csv 表格.png
  • 代码截图：ocr_image --code 报错.png
  • 算式：ocr_image --whitelist "0123456789+-x×÷=()" 题目.png
  • 多页 PDF 第 3 页 400 DPI：ocr_image --page 3 --dpi 400 书.pdf
  • 批量识别：ocr_image a.png b.png scan.pdf

已实现（v0.3.0 / v0.3.1 / v0.3.3 新增）

  • --doctor：本机 OCR 环境体检（含微型自检识别）。
  • --version：输出版本号。
  • --quiet：抑制 summary 等提示（保留低置信度核对警告）。
  • --crop x,y,w,h：只识别原图指定区域（先裁剪再其他预处理）。
  • scripts/setup.sh：依赖体检/--repair 一键补装。
  • HEIC 输入自动转 PNG（macOS sips；Windows/Linux 用 ImageMagick 或 heif-convert，缺失时给中文提示）。
  • 批量与性能：--workers N 多文件并行（仅文本模式）、--progress 进度、--resume 断点续跑。
  • 缓存管理：--cache-ttl 秒、--no-cache、--clear-cache。
  • 表格增强：--table-gap N 调列切分、--table-conf 输出附每格置信度；复杂合并单元格必须标"需人工核对"。
  • 结构化字段：--fields date,amount,id 输出 JSON，只抽实际读到的内容，读不到留空，不补全。
  • --crop-preview：保存裁剪预览图并输出路径（临时/缓存目录）。
  • 语言模型镜像：设 TESSDATA_BASE_URL 可切换下载源，例如 TESSDATA_BASE_URL=https://你的镜像/tessdata_fast/main ocr_image --download-langs chi_sim,eng；默认源不变。
  • 跨平台：Windows 提供 ocr_image.ps1 / ocr_image.cmd / setup.ps1；Linux/macOS 用 ocr_image 与 setup.sh；语言模型下载改为纯 Node，不依赖 bash/curl。
  • PDF 渲染优先 pdftoppm（三平台），缺失时 macOS sips / 其他系统 ImageMagick 兜底第 1 页并提示装 poppler。
  • 复杂表格的"列合并/跨行"留给 --json + 人工核对，不做自动重建工作簿。
  • v0.3.3：新增 6 张更难边界样例与 expected——更难手写体、严重模糊、低分辨率、印章压字、竖排/异体字、复杂合并表格（跨列+跨行）——与原有 2 张共 8 张边界样例；scripts/self_test.sh 升级为 3 项回归 + 8 项边界样例，全部 PASS 才写通过记录；低置信/整体读不到时标准输出必须带【需人工核对】+ 行号/裁剪区域证据；补齐 README.md、CHANGELOG.md 与双包说明。
  • 公式仅支持数字与符号片段（--whitelist），不支持完整 LaTeX 版面识别；需要时标注为待扩展。