长截图文字提取实战：OCR识别、分割与智能校对

一、问题背景：长图为什么“喂不动”

在社交平台、技术社区浏览时，经常会遇到以长图形式发布的优质文章。想把它沉淀进个人知识库，最自然的做法是把图交给大模型或办公软件做OCR（光学字符识别）。但实践中几乎总会撞上同一堵墙：

• 大模型的多模态输入通常对图片分辨率、宽高比有约束，超长图会被拒绝，或被强制压缩到文字糊成一团；
• 办公软件内置的“图片转文字”功能按常规截图尺寸设计，遇到高度上万像素、比例极端的长图，会直接提示尺寸过大、无法处理；
• 即便勉强识别，结果也常常支离破碎：段落丢失、顺序错乱、中英文混排处单词粘连。

问题的本质是：长图超出了识别工具的“舒适工作区”。解决思路因此有两条主线——要么让工具能处理整图，要么把长图拆成工具能处理的尺寸。无论走哪条路，后处理校对都不可省略。

二、方案一：整图直接OCR识别

2.1 识别前先做预处理

识别质量的上限，往往在识别开始前就决定了。建议按以下顺序清理：

• 倾斜矫正：截图或翻拍图常带轻微旋转，先矫正水平，避免整行文字被切碎；
• 裁剪干扰区域：去掉头像、点赞栏、广告位等无关内容，只保留正文区，可显著降低噪声；
• 增强对比度：对底色发灰、字迹偏淡的图，适当提升对比度或做二值化处理。

2.2 识别与导出

主流看图工具与办公套件普遍内置了文字提取能力，操作路径大同小异：用看图工具打开长图 → 找到“转换/提取文字”类入口 → 先矫正图片再识别 → 将结果导出为docx等文档格式。导出为文档而非纯文本的好处是保留段落结构，后续编辑成本更低。

2.3 局限性

• 整图一次识别对内存与画布压力大，部分工具会内部压缩长图，导致小字号文字丢失；
• 中英混排时，英文单词之间容易粘连（缺少空格）；
• 换行、断句位置经常出现多余空行或错误断行。

三、方案二：先分割、再批量识别（超长图推荐）

3.1 分割策略

• 先按块数均分，再手动微调边界，尽量让每个分割点落在段落之间的空白处，避免把一行文字拦腰截断；
• 单块图片的宽高比尽量接近正常文章截图，控制在常规识别工具的舒适区间；
• 按序号命名（如 part_001.png、part_002.png），保证后续合并顺序不乱；
• 相邻块之间可保留10~20像素重叠区，防止边界处丢字。

3.2 批量识别与合并

全选分割后的图片，批量执行“提取文字”，逐块导出后按序号合并。用几行脚本即可完成：

from pathlib import Path
parts = sorted(Path("./chunks").glob("part_*.txt"))
merged = "\n".join(p.read_text(encoding="utf-8") for p in parts)
Path("merged.txt").write_text(merged, encoding="utf-8")

3.3 为什么分割后精度更高

• 每一块都是完整、不缩放的独立图片，识别引擎的排版分析更稳定；
• 小图上下文简单，误识别率显著下降；
• 出错时可以快速定位到具体块，人工校对成本更低。

代价是流程变长，需要额外的合并与衔接处理，但对超长图而言，这是成功率与准确率最高的路线。

四、后处理：让识别结果真正“可用”

4.1 修复英文单词粘连

OCR对中英混排的空格判断普遍偏弱。可以把识别结果另存为docx后交给大模型修复，提示词示例：

“请修复文档中的英文错误：在相邻英文单词之间补空格，不改动其他任何内容，保持段落结构不变。”

两个要点：一是明确限定“只做空格修复”，防止模型顺手改写原意；二是长文档分段投喂，降低漏改概率。

4.2 清理格式

修复粘连后，通常还残留空行过多、首行缩进混乱、断句换行等问题。可以先用脚本做第一遍粗清理：

import re
text = re.sub(r"\n{3,}", "\n\n", text)   # 压缩连续空行
text = re.sub(r"[ \t]+", " ", text)      # 规范连续空格
text = re.sub(r"([^。！？；：\n])\n", r"\1", text)  # 合并未完句的换行

再用办公套件的“智能排版/通用文档排版”类功能统一版式，或让大模型按固定模板重排一遍。

4.3 人工校对闭环

机器识别加AI修复之后，仍需人工抽查。重点核对四类高错内容：数字与单位、专有名词、代码片段、标点。建议保留原图与识别结果并排对照，逐段确认后再入库。

五、工程化扩展与最佳实践

当处理量大、频次高时，手工操作就不够了，可以把整条链路自动化：

• 图片统一存入对象存储，避免本地路径管理混乱；
• 调用云上通用文字识别服务完成批量OCR，例如百度智能云等平台提供的OCR类产品，均支持批量识别与结果结构化返回；
• 用调度脚本把“分割→识别→合并→AI校对→格式清理”串成流水线，失败块自动重试；
• 对含表格、代码块的图，优先选择支持版面分析的识别能力，识别后再做结构还原。

六、总结

面对长截图文字提取，可以按图的长度选择路线：中等长度图直接OCR识别并导出文档；超长图先分割再批量识别、按序合并。无论哪条路线，都建议用“大模型修粘连 + 脚本清格式 + 人工抽查”三步完成后处理。核心思想是把“一次搞不定的大任务”拆解为“多次稳稳当当的小任务”，再让AI承担重复性的校对工作——识别成功率与最终文本质量都会明显提升。