wulaosiji Image OCR Skill
将图片中的文字提取出来，让不支持视觉的模型（如 Qwen-Coder）也能"看懂"图片内容。
When to Use
Use this skill when:
- 需要提取图片中的文字内容
- 识别代码截图并格式化
- 将表格图片转换为结构化数据
- 让纯文本模型处理图片内容
- 批量处理图片文字提取
- OCR识别扫描文档
Do NOT use this skill if:
- 图片清晰度太低（建议300dpi以上）
- 需要识别手写体（准确率较低）
- 图片包含敏感或私人信息
- 需要实时OCR大量图片
Typical triggers:
- 「识别图片文字」「OCR提取」「代码截图识别」「图片转文字」「提取图中文字」「批量OCR」
- "Extract text from image", "OCR recognition", "Recognize code screenshot", "Image to text", "Batch OCR processing", "Scan document OCR"
Workflow
探查 (Probe): 完整读取需求指定的图片输入，确认图片格式、内容类型（普通文字/代码/表格）、目标输出格式和语言设置。
约束 (Constrain): 验证图片质量（建议300dpi以上），设定边界：不处理敏感或私人信息、手写体准确率较低需提示。选择合适的OCR引擎，不降级交付物。
证据 (Evidence): 每个识别结果附带置信度。OCR引擎的选择基于场景需求（PaddleOCR离线免费、百度OCR更准确支持手写、腾讯OCR多语言）。
执行 (Execute): 调用OCR引擎识别图片，先给影响与结论，再给行动和必要证据。
选择OCR引擎
| 引擎 | 特点 | 适用场景 |
|---|---|---|
| PaddleOCR | 离线、免费、中英支持好 | 日常使用、代码识别 |
| Baidu OCR | API、更准确、支持手写 | 手写体、高要求场景 |
| Tencent OCR | API、多语言 | 多语言需求 |
配置引擎
# config.json
{"ocr_engine": "paddle", "language": "ch_sim", "save_temp": false}
执行OCR
from skills.image_ocr.scripts.ocr import recognize
result = recognize("/path/to/image.png")
print(result.text)
命令行使用
python3 skills/image-ocr/scripts/ocr.py /path/to/image.png
python3 skills/image-ocr/scripts/ocr.py /path/to/image.png --format markdown --save
Python API
from skills.image_ocr.ocr_engine import OCREngine
ocr = OCREngine(engine="paddle")
result = ocr.recognize("image.png")
print(result.text) # 完整文字
print(result.blocks) # 文字块详情
print(result.confidence) # 置信度
后处理: 代码格式化、表格结构化、语言检测。
验证 (Verify): 用不同于生成路径的方式回读输出——关键内容人工复核，检查识别准确率，特别是代码符号（
0→O，1→l等常见OCR错误）。交付 (Deliver): 返回识别结果（纯文本/Markdown/JSON），清理临时文件。
Core Capabilities
- 支持多种图片格式（PNG、JPG、WEBP、GIF）
- 中英文混合识别
- 代码截图专用优化
- 表格/结构化数据提取
Code Screenshot Optimization
针对代码截图的特殊处理：自动检测缩进、修复OCR常见符号错误（0→O，1→l）、识别代码语言（Python、JS、Java等）。
Output Formats
Plain Text (default): 纯文本识别结果。
Markdown: 带格式的识别结果（代码块、表格）。
JSON: 结构化数据（文字块、置信度、位置）。
{"text": "完整文字", "blocks": [{"text": "第一块", "confidence": 0.98, "position": [x1,y1,x2,y2]}], "language": "ch_sim"}
Output
- Plain Text (default): 纯文本识别结果
- Markdown: 带格式的识别结果（代码块、表格）
- JSON: 结构化数据（文字块、置信度、位置）
- 支持批量处理多张图片
Guardrails
Anti-patterns:
- NEVER 处理低分辨率图片（建议300dpi以上）
- NEVER 不验证识别结果准确性
- NEVER 频繁调用云端API（有费用）
- NEVER 不处理识别错误的情况
- Do NOT 处理包含敏感或私人信息的图片
Limitations
- 手写体识别准确率较低
- 复杂排版可能丢失格式
- 艺术字体识别困难
- 需要适当的图片预处理
Best Practices
- 图片质量: 确保300dpi以上分辨率
- 光线充足: 避免阴影和反光
- 文字清晰: 确保文字与背景对比度高
- 结果验证: 关键内容人工复核
Installation
pip3 install paddleocr -i https://pypi.tuna.tsinghua.edu.cn/simple
Configuration
| 参数 | 选项 | 说明 |
|---|---|---|
ocr_engine |
paddle/baidu/tencent | OCR引擎选择 |
language |
ch_sim/en/ch_tra | 语言：简体中文/英文/繁体中文 |
save_temp |
true/false | 是否保存临时文件 |
Integration with OpenClaw
Auto Image-to-Text (Recommended): 当用户发送图片时，自动调用OCR提取文字，再将文字传给文本模型处理。
Explicit Call: 用户明确要求识别图片内容时调用。
Troubleshooting
- PaddleOCR安装失败: 使用 Conda 安装
conda install paddlepaddle -c conda-forge - 识别准确率不高: 检查图片清晰度（300dpi以上），尝试不同的 language 配置
- 支持多语言: PaddleOCR默认支持中英，可扩展日韩等
File Structure
skills/image-ocr/
├── SKILL.md
├── config.json # 配置文件
├── ocr_engine.py # OCR引擎封装
├── post_processor.py # 后处理（代码格式化等）
└── scripts/
└── ocr.py # CLI入口
Changelog
- v1.0 (2026-02-11): 初始版本，支持 PaddleOCR 和百度OCR
Related Skills
- long-form-writer — 基于OCR内容写作（内容加工下游）
- md-to-wechat — 将OCR结果转换为公众号格式（输出转换）
- infographic-generator — 将OCR提取的数据可视化为信息图（数据可视化）
About UniqueClub
Part of the UniqueClub toolkit - a collection of skills for AI-powered content creation and automation. 🌐 https://uniqueclub.ai