Umi-OCR 实战教程：从截图文字识别到批量 OCR 与自动化集成的完整路径

Umi-OCR 实战教程：从截图文字识别到批量 OCR 与自动化集成的完整路径

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

Umi-OCR 是一款免费、开源的离线OCR文字识别工具：解压后的程序无需联网即可运行，识别过程全部在本地完成，可以当作免费离线文字识别工具长期使用。这份教程按"先跑通、再深入"的顺序展开：先带你完成第一次截图文字识别，随后逐个讲清截图识别代码、批量文档OCR、OCR自动化集成三块核心能力的使用方式，最后给出引擎选型、配置调优与排错建议。读完之后，你可以用框选方式提取代码文本，对一个文件夹的图片跑批量OCR，并在自己的脚本里调用 Umi-OCR。

第一次识别：三步完成首张截图文字识别

⚡ Umi-OCR 不需要安装。下载包是 7z 压缩包（或自解压包），解压后双击Umi-OCR.exe（Linux 下运行umi-ocr.sh）即可，不装环境、不联网。

第一次截图识别的完整操作只有三步：

1. 打开主窗口的"截图OCR"标签页（软件启动时的默认页）。
2. 按下默认截图快捷键Ctrl+Shift+A（可在"全局设置"中自定义），在屏幕上框选目标区域后松手。
3. 识别结果出现在右侧"记录"栏：右键即可复制，也可选中多条记录一起复制；左侧图片预览上直接用鼠标划选也能复制。

下图是一个典型场景：一张 Python 代码截图被框选后，右侧立刻出现识别结果，缩进与行序基本保留，可以直接粘回编辑器。

三大核心能力详解：截图识别、批量文档OCR与自动化集成

这三项能力都是主窗口里的标签页，下面按功能模块拆解，方便按需查看。

截图识别：框选即得屏幕文字

框选一下，把屏幕上的文字提出来。

1. 进入"截图OCR"页，按快捷键框选区域，等待识别完成。
2. 右栏"设置"里按内容类型挑选排版解析方案。
3. "记录"栏右键复制，或选中多条记录一起复制；别处复制的图片也能直接粘贴进来识别。

关键参数：排版解析方案对应tbpu.parser，常用取值如下：

选型上，截图识别代码时建议选single_code以保留缩进；普通文档用默认的multi_para通常就很好用。

批量处理：一次跑完批量文档OCR

把一文件夹图片丢进去，拿回一组文本文件。

1. 打开"批量OCR"页，拖入图片（支持 jpg/png/webp/bmp/tif 等格式）。
2. 右栏选择保存路径与文件类型：txt / jsonl / md / csv(Excel)。
3. 图片带水印、页眉页脚时，进入"忽略区域"编辑器按住右键画框；框尽量画大，完全落在框内的文本块才会被丢弃。
4. 点击"开始任务"，可勾选任务完成后自动关机或待机。

关键参数：输入图片无数量上限；识别超长图、大图时，把右栏设置里的限制图像边长调高即可；对应的 API 参数是tbpu.ignoreArea（矩形坐标）。

选型建议：批量任务先确认输出格式与忽略区域，能减少不少返工；跑大批量时可以直接配合关机选项挂机执行。

自动化集成：HTTP API 与命令行调用

不开图形界面，让脚本完成文字识别，这就是 OCR 自动化集成。

1. 确认软件在运行且 HTTP 服务开启（默认开启，仅本地环回，默认端口 1224）。
2. 本机快速任务走命令行：umi-ocr --path "D:/a.png" --clip把结果复制到剪贴板，用--output写文件。
3. 程序化集成走POST /api/ocr：传入 Base64 图片，返回 JSON 结果。接口手册见 docs/http/README.md。

import base64, json, requests with open("sample.png", "rb") as f: img_b64 = base64.b64encode(f.read()).decode("utf-8") resp = requests.post( "http://127.0.0.1:1224/api/ocr", json={ "base64": img_b64, "options": { "data.format": "text", "tbpu.parser": "multi_para", }, }, ) print(json.loads(resp.text))

命令行识别会沿用"截图OCR"页的参数设置；HTTP 调用并发支持有限，建议串行发起。完整命令行手册见 docs/README_CLI.md。

引擎选型与配置调优：PaddleOCR 和 RapidOCR 怎么选

Umi-OCR 内置两套离线引擎，识别都不走网络，差别主要在定位与参数丰富度：

按文档类型搭配参数时，可以直接参考这张表：

界面上所有设置最终都保存在./UmiOCR-data/.settings（ini 格式），手动改完文件后执行umi-ocr --reload即可重新加载生效。常见键如下：

ocr.language = models/config_chinese.txt ocr.cls = false ocr.limit_side_len = 960 tbpu.parser = multi_para data.format = text

切换识别语言模型用ocr.language（适用于 PaddleOCR 引擎插件；其他引擎请通过GET /api/ocr/get_options查询可用参数），可选值包括：config_chinese.txt（简中）、config_en.txt（英文）、config_chinese_cht(v2).txt（繁中）、config_japan.txt（日文）、config_korean.txt（韩文）、config_cyrillic.txt（俄文）。

界面语言是另一层设置："全局设置"→"语言/Language"。软件首次启动会跟随系统语言，之后可随时手动切换成英语、日本語等。

排错速查与深度优化：识别不准、速度偏慢怎么办

遇到问题时，建议先查下表，再决定改哪里：

📌 渲染器、主题、字体这些界面项都在"全局设置"里调整，改动即时生效，不需要重启。

两条进阶技巧，点到为止：

• 不改界面也能调参：直接编辑./UmiOCR-data/.settings，再执行umi-ocr --reload重载。
• 脚本化驱动：命令行本质上等价于向本地/argv接口发送参数，umi-ocr --screenshot --clip一条命令就能完成"框选→识别→入剪贴板"。

总结与资源导航：从日常使用到二次开发

✅ 回顾一下，Umi-OCR 的要点有四条：免费开源、离线本地运行，数据不出本机；截图 / 批量 / 文档识别 / 二维码几类模块覆盖日常场景；引擎与参数可按文档类型切换；命令行与 HTTP 接口天然支持脚本集成。

一个值得记住的小细节：识别记录积累多了以后，"截图OCR"页可以右键"记录"栏，选择"复制全部""删除选中记录"或"清空全部记录"，如下图菜单所示。

进一步学习（均为项目内本地文件，点开即读）：

• 命令行手册：docs/README_CLI.md
• HTTP 接口手册：docs/http/README.md
• 图片识别 API：docs/http/api_ocr.md
• 文档（PDF）识别 API：docs/http/api_doc.md
• 二维码 API：docs/http/api_qrcode.md
• 参数总览：docs/http/argv.md
• 项目说明与更新日志：README.md、CHANGE_LOG.md
• Python 源码：UmiOCR-data/py_src/，二次开发时从这里入手

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR