Textshot：139行Python代码实现免费高精度截图OCR工具

Textshot项目概述

近期，GitHub上开源了一款名为Textshot的Python截图工具，上线不足半个月即获得超过500个Star。

笔者近日查阅了Textshot的源码，认为这是一个极具介绍价值的项目。

相较于市面上多数工程复杂且效果不尽如人意的OCR工具，Textshot展现出显著的优势。

• 项目结构简洁
• 技术涵盖面广

项目优势分析

项目结构简洁

Textshot整个项目仅包含1个Python文件，代码总长为139行，未引入复杂的第三方库，也未涉及繁重的后端算法调用。

技术涵盖面广

尽管Textshot代码仅139行，但它综合运用了Python中的多项关键技术。

• 用户界面开发
• 截图功能开发
• 后端引擎调用

通过该项目，读者不仅能掌握利用PyQt5构建用户界面的方法，还能学会使用pyscreenshot开发自定义截图工具，同时了解如何调用后端tesseract引擎。

换言之，这短短139行代码涵盖了从前端交互到后端处理的完整流程，实现了截图工具与OCR工具的无缝衔接。因此，Textshot虽工程规模小，却是一个结构完备、值得深入学习的案例。

本文将详细剖析该项目的源代码，指导读者逐步实现一款自用且永久免费的截图与OCR工具。

Tesseract引擎介绍与安装

Tesseract引擎介绍

当前市面上的OCR工具数量众多，但大多数仅是对相同后端算法进行了不同形式的封装。真正在OCR核心算法上表现优异、值得重点关注的，非Tesseract莫属。

Tesseract的研发始于1985年，由HP实验室主导。1995年，它被评为当时最准确的三款OCR工具之一。此后，Tesseract开源，并经过Google持续的优化与升级，现已成为OCR领域的标杆性工具。许多开源或付费的OCR工具，均直接调用Tesseract或基于其进行少量优化。

Textshot直接调用Tesseract后端引擎进行OCR识别，因此它本质上是一款截图工具，主要起到前后端串联的作用，在OCR识别算法本身并未做任何修改。

Tesseract安装指南

由于Textshot的OCR识别依赖于调用Tesseract后端引擎，因此首要步骤是安装Tesseract。

Windows用户可直接访问官方下载链接[1]进行安装。

Mac用户可通过Homebrew进行安装，具体命令如下：

brew install tesseract　

Textshot核心功能实现

Textshot项目详解

Textshot作为一款截图识别文字的OCR工具，主要涉及两个核心环境。

截图功能

OCR识别功能

Textshot的工作流程首先是通过截图获取待识别文字的图像，随后对该图像进行OCR文字识别，最终输出识别结果。

前文已提及，Textshot在OCR识别阶段调用的是Tesseract，因此仅需1行代码即可完成识别过程。

由此可见，Textshot的核心工作主要围绕前端窗口设计与截图工具的实现展开。

截图工具开发细节

截图工具实现

截图工具是日常常用软件，那么如何开发一款截图工具？

许多人可能认为这非常复杂，实际上，Python中提供了多种实现截图的库或函数，例如pyscreenshot或pillow库中的ImageGrab函数。其调用方式如下：

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))

也就是说，只需将鼠标框选的起点和终点坐标传递给grab方法，即可实现截图功能。

那么，接下来的问题转化为：如何获取鼠标框选的起点和终点坐标？

Textshot通过调用PyQt5并继承QWidget类，实现了在鼠标框选过程中获取起点和终点坐标的方法。

Textshot继承并重写的QWidget方法主要包括以下几项：

• keyPressEvent(self, event)：键盘响应函数
• paintEvent(self, event)：UI绘制函数
• mousePressEvent(self, event)：鼠标点击事件
• mouseMoveEvent(self, event)：鼠标移动事件
• mouseReleaseEvent(self, event)：鼠标释放事件

可以看出，上述重写的方法涵盖了截图过程中涉及的所有关键动作。

• 点击鼠标
• 拖动并绘制截图框
• 释放鼠标

class Snipper(QtWidgets.QWidget):
  def __init__(self, parent=None, flags=Qt.WindowFlags()):
    super().__init__(parent=parent, flags=flags)
 
    self.setWindowTitle("TextShot")
    self.setWindowFlags(
      Qt.FramelessWindowHint | Qt.WindowStaysOnTopHint | Qt.Dialog
    )
 
    self.is_macos = sys.platform.startswith("darwin")
    if self.is_macos:
      self.setWindowState(self.windowState() | Qt.WindowMaximized)
    else:
      self.setWindowState(self.windowState() | Qt.WindowFullScreen)
 
    self.setStyleSheet("background-color: black")
    self.setWindowOpacity(0.5)
 
    QtWidgets.QApplication.setOverrideCursor(QtGui.QCursor(QtCore.Qt.CrossCursor))
 
    self.start, self.end = QtCore.QPoint(), QtCore.QPoint()
 
  def keyPressEvent(self, event):
    if event.key() == Qt.Key_Escape:
      QtWidgets.QApplication.quit()
 
    return super().keyPressEvent(event)
 
  def paintEvent(self, event):
    if self.start == self.end:
      return super().paintEvent(event)
 
    painter = QtGui.QPainter(self)
    painter.setPen(QtGui.QPen(QtGui.QColor(255, 255, 255), 3))
    painter.setBrush(QtGui.QColor(255, 255, 255, 100))
 
    if self.is_macos:
      start, end = (self.mapFromGlobal(self.start), self.mapFromGlobal(self.end))
    else:
      start, end = self.start, self.end
 
    painter.drawRect(QtCore.QRect(start, end))
    return super().paintEvent(event)
 
  def mousePressEvent(self, event):
    self.start = self.end = QtGui.QCursor.pos()
    self.update()
    return super().mousePressEvent(event)
 
  def mouseMoveEvent(self, event):
    self.end = QtGui.QCursor.pos()
    self.update()
    return super().mousePressEvent(event)
 
  def mouseReleaseEvent(self, event):
    if self.start == self.end:
      return super().mouseReleaseEvent(event)
 
    x1, x2 = sorted((self.start.x(), self.end.x()))
    y1, y2 = sorted((self.start.y(), self.end.y()))

随后启动截图界面，相关代码如下：

QtCore.QCoreApplication.setAttribute(Qt.AA_DisableHighDpiScaling) app = QtWidgets.QApplication(sys.argv) window = QtWidgets.QMainWindow() snipper = Snipper(window) snipper.show()

当用户拖动并框选窗口时，系统会获取窗口的起点和终点坐标，此时可调用以下语句进行截图，获取需要OCR识别的文本图像：

shot = ImageGrab.grab(bbox=(x1, y1, x2, y2))　　

OCR文字识别流程

OCR文字识别

通过ImageGrab.grab截取到文本图像shot后，下一步是将图像内容输入给后端的Tesseract引擎，使其将图像转化为字符串。具体调用如下：

result = pytesseract.image_to_string(img, timeout=2, lang=(sys.argv[1] if len(sys.argv) > 1 else None))

至此，一款准确度高且永久免费的OCR工具便开发完成。

回顾Textshot项目，我们会发现，截图坐标范围内的图像获取与OCR识别仅需2行代码，大部分开发工作集中在获取窗口起点和终点坐标上。换句话说，Textshot并未对OCR核心部分做任何更改，仅在产品包装层面进行了巧妙设计。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。