AHK离线OCR脚本实战：拖拽截屏+文字识别全流程

一、AHK脚本的离线OCR核心价值

在隐私保护日益重要的今天，离线OCR工具成为开发者、企业用户及隐私敏感人群的刚需。传统OCR方案（如在线API调用）存在两大痛点：一是依赖网络，二是数据上传可能引发隐私泄露风险。而基于AutoHotkey的OCR脚本通过本地化处理，彻底规避了这些问题。

技术原理：
AHK脚本通过调用Windows系统内置的OCR引擎（Windows 10/11自带）或集成开源OCR库（如Tesseract），结合GDI+图像处理接口，实现“截屏→预处理→识别→输出”的全流程。其中，拖拽鼠标截屏功能通过Gui和Gdip库实现，用户只需按住鼠标左键框选区域，脚本即可自动捕获屏幕内容。

典型应用场景：

• 快速提取PDF/图片中的文字（如扫描件、截图）
• 离线环境下处理敏感文档（如合同、财务数据）
• 开发者调试时提取日志或错误信息
• 无网络环境下的临时文字识别需求

二、脚本实现：拖拽截屏与OCR识别的关键代码

1. 拖拽截屏功能实现

#NoEnv
#SingleInstance Force
SetBatchLines, -1
; 初始化GDI+
If !pToken := Gdip_Startup() {
    MsgBox, GDI+ failed to start.
    ExitApp
}
; 创建透明GUI用于截屏
Gui, +LastFound +OwnDialogs +AlwaysOnTop -Caption +ToolWindow +E0x08000000
hWnd := WinExist()
hbm := CreateDIBSection(A_ScreenWidth, A_ScreenHeight)
hdc := CreateCompatibleDC()
obm := SelectObject(hdc, hbm)
pGraphics := Gdip_GraphicsFromHDC(hdc)
Gdip_SetSmoothingMode(pGraphics, 4)
; 鼠标拖拽事件
CoordMode, Mouse, Screen
Hotkey, ~LButton Up, ReleaseMouse
Return
LButton::
    MouseGetPos, x1, y1
    While GetKeyState("LButton", "P") {
        MouseGetPos, x2, y2
        ; 绘制半透明矩形框
        pBrush := Gdip_BrushCreateSolid(0x7F000000)
        Gdip_FillRectangle(pGraphics, pBrush, Min(x1,x2), Min(y1,y2), Abs(x2-x1), Abs(y2-y1))
        Gdip_DeleteBrush(pBrush)
        UpdateLayeredWindow(hWnd, hdc, (A_ScreenWidth-Abs(x2-x1))//2, (A_ScreenHeight-Abs(y2-y1))//2, Abs(x2-x1), Abs(y2-y1))
    }
Return
ReleaseMouse:
    MouseGetPos, x2, y2
    ; 捕获截屏区域
    left := Min(x1, x2)
    top := Min(y1, y2)
    width := Abs(x2 - x1)
    height := Abs(y2 - y1)
    pBitmap := Gdip_BitmapFromScreen(left "|" top "|" width "|" height)
    ; 保存为临时文件（后续OCR处理）
    tempFile := A_Temp "\OCR_Capture.png"
    Gdip_SaveBitmapToFile(pBitmap, tempFile)
    Gdip_DisposeImage(pBitmap)
    ; 触发OCR识别
    OCR_Text := RunOCR(tempFile)
    ; 填充到编辑框（示例：剪贴板）
    Clipboard := OCR_Text
    MsgBox, 识别结果已复制到剪贴板！
Return
; 清理资源
ExitApp:
    SelectObject(hdc, obm)
    DeleteObject(hbm)
    DeleteDC(hdc)
    Gdip_DeleteGraphics(pGraphics)
    Gdip_Shutdown(pToken)
    ExitApp

代码解析：

• 通过Gdip库实现高精度截屏，支持透明窗口和半透明矩形框绘制。
• While循环实时更新矩形框位置，提供视觉反馈。
• 释放鼠标后，调用RunOCR函数处理图像（需后续实现）。

2. 离线OCR识别：调用Windows OCR引擎

Windows 10/11内置的OCR引擎可通过COM接口调用，无需额外依赖：

RunOCR(imagePath) {
    try {
        ; 初始化COM
        ocrEngine := ComObjCreate("Windows.Media.OCR.OCREngine")
        decoder := ComObjCreate("Windows.Graphics.Imaging.BitmapDecoder")
        stream := ComObjCreate("Windows.Storage.Streams.RandomAccessStreamReference")
        ; 加载图像（简化版，实际需处理文件流）
        file := FileOpen(imagePath, "r")
        data := file.Read()
        file.Close()
        ; 调用OCR（伪代码，需补充COM参数）
        ocrResult := ocrEngine.RecognizeAsync(data)
        text := ocrResult.Text
        return text
    } catch e {
        MsgBox, OCR失败: %e%
        return ""
    }
}

替代方案：
若系统不支持COM OCR，可集成Tesseract OCR（需下载tesseract.exe并配置路径）：

RunOCR(imagePath) {
    tesseractPath := "C:\Program Files\Tesseract-OCR\tesseract.exe"
    tempTxt := A_Temp "\OCR_Result.txt"
    RunWait, %tesseractPath% "%imagePath%" "%tempTxt%" -l eng, , Hide
    FileRead, text, %tempTxt%
    FileDelete, %tempTxt%
    return text
}

三、优化建议与实用技巧

1. 识别精度提升：

   • 预处理图像：二值化、降噪（通过Gdip调整对比度）。
   • 指定语言包：Tesseract需下载对应语言数据（如chi_sim中文）。

2. 输出目标扩展：

   • 修改Clipboard := OCR_Text为ControlSetText, Edit1, %OCR_Text%, 目标窗口标题，直接填充到指定编辑框。

3. 快捷键定制：

   #F2::  ; Win+F2触发截屏OCR
       Gosub, LButton
   Return

4. 错误处理：

   • 添加文件存在性检查、OCR引擎版本验证。
   • 使用Try-Catch捕获COM异常。

四、部署与扩展

1. 编译为EXE：
   使用Ahk2Exe工具将脚本编译为独立程序，方便非开发者使用。

2. 多语言支持：
   修改Tesseract参数-l eng+chi_sim实现中英文混合识别。

3. 批量处理：
   扩展脚本支持文件夹批量识别，输出为TXT或Excel。

五、总结与资源推荐

本文介绍的AHK离线OCR脚本通过拖拽截屏和本地化识别，兼顾了效率与隐私。对于开发者，可进一步集成至自动化流程；对于普通用户，编译后的EXE文件即开即用。

推荐工具：

• Tesseract OCR：https://github.com/tesseract-ocr/tesseract
• AHK GDIP库：https://www.autohotkey.com/boards/viewtopic.php?t=6517
• Windows OCR文档：https://learn.microsoft.com/en-us/windows/win32/api/windows.media.ocr/

通过灵活运用AHK与OCR技术，用户可轻松构建个性化的离线文字识别工具，满足从临时需求到企业级应用的多样化场景。