SkillsAdd

mhliulgy/my-skills · Archived

code-ocr

使用百度 OCR 高精度含位置版将代码截图转换为文本文件，保持原始缩进。使用场景?

First seen Feb 21, 2026

Installation

$ npx skills add mhliulgy/my-skills --skill code-ocr
View on skills.sh ↗ GitHub repository ↗

Summary

使用百度 OCR 高精度含位置版将代码截图转换为文本文件，保持原始缩进。使用场景包括：(1) 将代码截图识别为可编辑文本，(2) 从截图提取代码，(3) 图片转代码文字。触发条件：用户提到"截图转文字"、"OCR"、"识别代码"、"图片转文本"、"code screenshot to text"

Stronger alternatives

This repository is archived — consider an actively maintained alternative.

document-image-extractor Same source · more installs
mhliulgy/my-skills

从 Word (.docx) 和 PDF (.pdf) 文档中提取图片并保存到指定文件夹。使用场景包括：(1) 从 Word 文档…

57 installs
alphaxiv-paper-lookup Same source · more installs
mhliulgy/my-skills

Look up any arxiv paper on alphaxiv.org to get a structured AI-generated overview. This is fast…

41 installs
docling-convert Same source
mhliulgy/my-skills

Convert local files or URLs with a locally deployed Docling Gradio service into Markdown, JSON,…

14 installs
eda-vm Same source
mhliulgy/my-skills

Orchestrates IC EDA tasks (Verilog/SystemVerilog, UVM, VCS simulation, Verdi, Design Compiler l…

3 installs

Also in this package

Other skills from mhliulgy/my-skills.

npx skills add mhliulgy/my-skills
document-image-extractor 57 alphaxiv-paper-lookup 41 docling-convert 14 eda-vm 3 remotion-best-practices 2

Browse all from mhliulgy/my-skills

More details

Agent compatibility

Declared targets from SKILL.md / docs. Unmarked agents are not listed — the skill may still install via the CLI.

Claude Code Not declared
Cursor Not declared
Codex Not declared
GitHub Copilot Not declared
Windsurf Not declared
Gemini CLI Not declared
Cline Not declared
OpenCode Not declared

Repository health

Stars 1
Default branch main
Open issues 0
Status Archived

Package contents

Files included with this skill beyond the listing page.

  • skill md SKILL.md 6,016 B
  • docs SUMMARY.md 353 B

History

  1. First seen on skills.sh
  2. First recorded snapshot · 35 installs

SKILL.md

Code OCR

将代码截图转换为文本文件，使用百度 OCR 高精度含位置版 API，保持原始缩进。

环境配置

在使用前需要配置百度 API 密钥（系统环境变量），默认用户已经配置完成：

# Windows
setx BAIDU_API_KEY "your_api_key"
setx BAIDU_SECRET_KEY "your_secret_key"

或者在当前终端设置：

# Windows (当前终端)
set BAIDU_API_KEY=your_api_key
set BAIDU_SECRET_KEY=your_secret_key

使用方法

基本用法

# 保存 OCR 中间结果（避免重复调用 API）
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" <图片路径> --save-json <json文件路径>

# 从 JSON 加载结果，多次调整 ratio 参数实验
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" <json文件> --load-json <json文件路径> --ratio <值>

# 仅识别图片（不推荐）
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" <图片路径> [输出目录]

参数说明

参数 说明
图片路径 可选，截图文件的路径（支持 PNG、JPG、BMP 等格式），或 JSON 文件路径
输出目录 可选，默认保存到图片所在目录
--ratio / -r 可选，平均字符宽度的缩放倍率，用于微调缩进计算。默认 0.955
--save-json FILE / -s FILE 可选，OCR 成功后保存中间结果到 JSON 文件
--load-json FILE / -l FILE 可选，从 JSON 文件加载 OCR 结果，跳过 OCR 步骤

使用示例

# 1. 首次运行：OCR 识别并保存中间结果
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" screenshot.png -s screenshot.json

# 2. 后续实验：加载 JSON（使用 -l 参数），多次调整 ratio 参数
# 只需指定 -l JSON文件路径 和 --ratio 值，无需其他参数
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.96
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.955
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.95

# 3. 简写形式
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json -r 0.955

提示：首次 OCR 识别后会生成 JSON 文件，如需调整缩进效果，请使用 -l 参数加载该 JSON 文件重新运行。

输出文件

  • 文件名格式：{原文件名}{时间戳}{ratio}.txt
  • 例如：screenshot20260220143052_0.955.txt
  • 编码：UTF-8

AI 工具需要给出的提示

重要：当 AI 工具应该主动给出基于 JSON 文件重新运行的命令，例如：

# 使用 -l 参数加载 JSON 文件，调整 ratio 参数
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.96
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.955
python "C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py" -l screenshot.json --ratio 0.95

并向用户解释不同 ratio 值的效果差异，帮助用户选择最佳的缩进参数。

工作原理

  1. API 调用：使用百度 OCR "高精度含位置版"（accurate）接口
  2. 位置解析：利用返回的位置信息（location）计算每个字符的坐标
  3. 行重构：根据字符的 top 坐标分组，识别出所有行
  4. 缩进保持：根据每行第一个字符的 left 坐标计算缩进空格数

交叉验证（模型自校验）

当 OCR 结果输出后，AI 模型应主动使用自身的多模态能力对原图进行"视觉 OCR"，并与百度 OCR 的输出结果进行交叉验证。

验证流程

  1. 读取原图：AI 模型直接查看用户提供的代码截图
  2. 视觉识别：利用模型的视觉能力识别图片中的代码文本
  3. 对比校对：将视觉识别结果与百度 OCR 输出进行对比
  4. 修正错误：发现差异时，以视觉识别结果为准进行修正

常见需要校验的内容

校验项 说明 示例
相似字符 O vs 0，I vs l vs 1，S vs 5 list 被误识别为 1ist
符号混淆 ' vs ''，" vs ""，-> vs → don't 被误识别为 don''t
特殊符号 @, #, $, %, &, `\ , \, /` @staticmethod 中的 @
缩进对齐 空格与制表符的混合使用 Python 代码的缩进层级
注释符号 //, /, /, #, <!-- 注释起始和结束位置
括号匹配 (), {}, [], <> 嵌套括号的完整性
符号遗漏 代码行末的分号、逗号等 return x 被误识别为 return x;
中英符号 英文逗号 , vs 中文逗号 ， print("Hello, World") 被误识别为 print("Hello，World")

灵活校验：根据代码语言和上下文，判断代码语言，并根据该语言语法规则进行更有针对性的校验。

校对后输出格式

=== 百度 OCR 原始结果 ===
[原始识别文本]

=== 交叉验证修正 ===
- 第 X 行: "原始错误" → "修正后"
- 第 Y 行: "原始错误" → "修正后"

=== 最终修正结果 ===
[校对后的最终文本]

使用建议

  • 对于关键代码（如密钥、配置、正则表达式），必须进行交叉验证
  • 当 OCR 结果中存在明显语法错误时，优先信任模型的视觉识别
  • 若图片模糊或字体特殊，可提示用户提供更清晰的截图

脚本位置

脚本路径：C:\Users\12556\.claude\skills\code-ocr\scripts\code_ocr.py