81 lines
3.2 KiB
Markdown
81 lines
3.2 KiB
Markdown
这是一个非常明智的选择。**Umi-OCR** 相比于直接调用 `PaddleOCR` 的库，最大的优势在于它提供了一个非常成熟的 **HTTP API 接口**（或者离线命令行接口），这使得你的 Python 自动化脚本可以保持轻量化，不需要在本地环境安装庞大且容易起冲突的深度学习库。
|
||
|
||
以下是针对 **Umi-OCR** 集成的更新版开发指南 MD 文档：
|
||
|
||
---
|
||
|
||
# 🚀 桌面自动化脚本开发指南 (Umi-OCR 集成版)
|
||
|
||
## 1. 系统架构说明
|
||
本脚本采用 **Umi-OCR (HTTP 服务模式)** 作为感知核心。脚本通过发送截图到 Umi-OCR 的本地 API，获取 JSON 格式的识别结果（文字内容及坐标）。
|
||
|
||
---
|
||
|
||
## 2. 核心技术栈
|
||
* **OCR 引擎**: [Umi-OCR](https://github.com/hiroi-sora/Umi-OCR) (需提前启动 HTTP 服务)。
|
||
* **浏览器控制**: Playwright (用于操作 Web 端 DMS/ERP)。
|
||
* **桌面控制**: PyAutoGUI / Mouse (用于点击 OCR 识别出的坐标)。
|
||
* **通信**: `requests` (用于调用 Umi-OCR API)。
|
||
|
||
---
|
||
|
||
## 3. 目录结构规范
|
||
```text
|
||
project_root/
|
||
├── config/ # 配置文件 (yaml/json)
|
||
├── core/
|
||
│ ├── ocr_client.py # 封装 Umi-OCR API 调用逻辑
|
||
│ ├── browser.py # Playwright 页面操作
|
||
│ └── actions.py # 封装“识别文字并点击”的高级动作
|
||
├── config.yaml # 存放 Umi-OCR 地址 (默认 http://127.0.0.1:1224/api/ocr)
|
||
├── data/ # 存放临时截图、下载的文件
|
||
├── assets/ # 存放用于识别的图标/模板图片
|
||
├── utils/ # 日志、时间处理等工具类
|
||
└── main.py # 业务主流程
|
||
```
|
||
|
||
---
|
||
|
||
## 4. 关键模块开发逻辑
|
||
|
||
### 4.1 OCR 调用逻辑 (`ocr_client.py`)
|
||
> **AI 指令**：请实现一个 `UmiClient` 类，要求：
|
||
* 使用 `requests` 向 `http://127.0.0.1:1224/api/ocr` 发送 Base64 编码的图片。
|
||
* 解析返回的 JSON，提取 `data` 列表中的 `text` 和 `box`（四个顶点的坐标）。
|
||
* 提供一个 `find_text(target_name)` 方法，返回该文字在屏幕上的中心点 `(x, y)`。
|
||
|
||
### 4.2 自动化执行逻辑 (`actions.py`)
|
||
> **AI 指令**：结合 `PyAutoGUI` 和 `ocr_client.py`：
|
||
* 实现 `click_text(text)`：截图 -> OCR 识别 -> 匹配目标 -> 点击。
|
||
* 实现 `wait_for_text(text, timeout=20)`：在规定时间内循环检测屏幕是否出现目标文字。
|
||
|
||
---
|
||
|
||
## 5. 开发约束
|
||
1. **服务检测**：脚本启动时需检测 Umi-OCR 端口是否占用，若未启动则抛出错误提醒。
|
||
2. **区域 OCR**：为了提高效率，支持“局部截图 OCR”，而不是每次都截全屏。
|
||
3. **坐标转换**：Umi-OCR 返回的是相对图片的坐标，需确保点击时与 Windows 屏幕坐标对齐。
|
||
|
||
---
|
||
|
||
## 6. 第一步：Umi-OCR API 调用代码参考
|
||
你可以让 AI 基于以下片段进行扩展：
|
||
|
||
```python
|
||
import requests
|
||
import base64
|
||
|
||
def call_umi_ocr(image_path):
|
||
url = "http://127.0.0.1:1224/api/ocr"
|
||
with open(image_path, "rb") as f:
|
||
img64 = base64.b64encode(f.read()).decode('utf-8')
|
||
|
||
payload = {
|
||
"base64": img64,
|
||
"options": {"data_format": "dict"}
|
||
}
|
||
response = requests.post(url, json=payload)
|
||
return response.json()
|
||
```
|
||
|
||
--- |