摘要：还在手动暂停视频截字幕？还在边看直播边手打笔记？本文介绍的 screen_ocr.py 脚本，利用 macOS 原生 screencapture 与 Vision API，结合 Python 的 imagehash 库，实现了一个“框选即监控、变化即记录”的实时 OCR 笔记神器。特别适合视频字幕提取、在线会议记录及动态网页监控。

1. 工具简介：你的屏幕“速记员”

在日常开发与学习中，我们经常面临以下场景：

  • 看网课/直播：老师讲得太快，来不及记笔记。
  • 提取视频字幕：视频没有提供字幕文件，只能盯着画面看。
  • 监控动态界面：某个网页或软件界面不断刷新数据，需要手动记录。

screen_ocr.py 专为解决这些痛点而生。它运行后，你只需在屏幕上框选出感兴趣的文字区域，它就会在后台“盯着”这块区域。一旦检测到画面内容变化（如字幕变了、数据刷新了），它会立即调用 macOS 原生的 OCR 引擎识别文字，并按时间顺序写入 Markdown 文件。

2. 核心功能解析

2.1 原生框选：screencapture -i

传统 Python 截图工具（如 pyautogui）通常无法精确框选区域，或者依赖庞大的 GUI 库（如 tkinter、PyQt）。screen_ocr.py 直接调用了 macOS 内置的 screencapture -i 命令。

  • 体验：按下运行键，鼠标变成十字准星，跟平时用 Cmd+Shift+4 一模一样。
  • 优势：零依赖、原生体验、支持 Retina 屏幕高清截图。

2.2 智能去抖：感知哈希 (pHash) 比对

如果每秒钟都调用 OCR，不仅浪费资源，还会产生大量重复文本（比如画面没变，但识别结果可能因为噪点略有不同）。 脚本引入了 imagehash 库，计算图片的 pHash (感知哈希)。

  • 原理：将图片缩放、灰度化、DCT 变换后生成一个 64 位的指纹。
  • 判定：只有当新旧两帧图片的汉明距离（Hamming Distance）大于 5 时，才认为画面发生了实质变化。
  • 效果：完美过滤静止画面，仅在文字更新时触发识别。

2.3 极速识别：macOS Native Vision API

通过 ocrmac 库封装，直接调用 macOS 系统级的 VNRecognizeTextRequest。

  • 速度：得益于 Apple Silicon 的 NPU 加速，识别一帧仅需几十毫秒。
  • 语言：支持中英文混合识别 (zh-Hans, en-US)，准确率极高。

2.4 实时笔记生成

脚本会在后台维护一个 seen_texts 集合（基于 OCR 结果的精确匹配去重），一旦识别到新内容，便以 Markdown 格式追加写入：

### [14:30:05] 捕获内容
- 今天我们来学习 Python 的异步编程...
- 首先导入 asyncio 模块...

3. 实战代码解读

让我们看看 screen_ocr.py 中最核心的逻辑片段：

# 1. 唤起原生框选
cmd = ["screencapture", "-i", "-r", cropped_frame]
subprocess.run(cmd, capture_output=True)

# 2. 进入监控循环
while True:
    time.sleep(check_interval)
    
    # 3. 静默截图 (screencapture -x 表示不播放快门声)
    subprocess.run(["screencapture", "-x", cropped_frame], ...)
    
    # 4. 计算哈希并比对
    current_phash = calculate_image_hash(cropped_frame)
    if current_phash - last_phash <= 5:
        continue # 画面没变，跳过
        
    # 5. 调用 OCR 识别
    annotations = ocrmac.text_from_image(cropped_frame, ...)
    
    # 6. 去重并写入 Markdown
    if frame_text not in seen_texts:
        with open(output_md, "a") as f:
            f.write(f"\n### [{timestamp}] 捕获内容\n")

4. 使用指南

依赖安装

确保你的 Mac 上安装了 Python 3.10+，并安装必要的库：

pip install ocrmac Pillow imagehash

运行脚本

python screen_ocr.py
  1. 运行后，鼠标会变成截图光标。
  2. 框选屏幕上的字幕区域或文字区域。
  3. 脚本进入监控模式，识别到的文字会实时打印在终端，并保存在 screen_notes.md 中。
  4. 按下 Ctrl + C 即可结束监控。

5. 应用场景推荐

  • 网课/视频学习：框选视频播放器，自动生成课程笔记。
  • 直播监控：框选直播弹幕或礼物区域，记录互动数据。
  • 老旧软件数据提取：对于那些没有 API 也没有导出功能的软件，直接监控屏幕数据区域。

6. 总结

screen_ocr.py 是一个典型的“小而美”的 Python 效率工具。它没有复杂的界面，却充分利用了 macOS 系统级的能力（原生截图与 Vision API），配合高效的算法（pHash），解决了一个高频的痛点。

如果你厌倦了手动打字记录，不妨试试这个脚本，让 AI 帮你做笔记！

作者：Boss 环境：macOS Sequoia, Python 3.12, M4 Pro