ScrollUnroll - 视频滚动文章提取工具

一个强大的Python工具，能够从滚动视频中自动提取和识别文章内容，将视频转换为可读的文本文档。

✨ 特性

• 🎥 智能帧提取: 使用FFmpeg从视频中提取关键帧
• 🧩 自动拼接: 智能识别重叠区域，将滚动帧拼接成完整长图
• 🔍 OCR识别: 基于Tesseract的高精度中文文本识别
• 📝 文本处理: 自动清理和格式化识别结果
• 🚀 一键运行: 简单命令即可完成整个流程

🛠️ 技术栈

• Python 3.8+
• FFmpeg - 视频帧提取
• OpenCV - 图像处理
• PIL/Pillow - 图像操作
• Tesseract OCR - 文本识别
• pytesseract - Python OCR接口

📋 系统要求

macOS

# 安装FFmpeg
brew install ffmpeg

# 安装Tesseract及中文语言包
brew install tesseract
brew install tesseract-lang

Ubuntu/Debian

# 安装FFmpeg
sudo apt update
sudo apt install ffmpeg

# 安装Tesseract及中文语言包
sudo apt install tesseract-ocr
sudo apt install tesseract-ocr-chi-sim
sudo apt install tesseract-ocr-chi-tra

Windows

1. 下载并安装 FFmpeg
2. 下载并安装 Tesseract OCR
3. 确保将FFmpeg和Tesseract添加到系统PATH

🚀 快速开始

1. 克隆项目

git clone https://github.com/yourusername/ScrollUnroll.git
cd ScrollUnroll

2. 安装依赖

pip3 install -r requirements.txt

3. 运行工具

python3 main.py your_video.mp4

📖 使用方法

基本用法

# 处理视频文件
python3 main.py video.mov

# 指定输出目录
python3 main.py video.mp4 --output custom_output

# 调整帧提取频率（每秒提取帧数）
python3 main.py video.mp4 --fps 2

高级用法

# 仅提取帧，不进行拼接和OCR
python3 main.py video.mp4 --extract-only

# 使用现有帧进行拼接和OCR
python3 main.py video.mp4 --use-existing-frames

# 保留中间文件用于调试
python3 main.py video.mp4 --keep-frames

📁 项目结构

ScrollUnroll/
├── main.py              # 主程序入口
├── frame_extractor.py   # 视频帧提取模块
├── frame_stitcher.py    # 帧拼接模块
├── ocr_processor.py     # OCR文本识别模块
├── tesseract_ocr.py     # Tesseract独立处理脚本
├── requirements.txt     # Python依赖
├── output/             # 输出目录
│   ├── frames/         # 提取的视频帧
│   ├── long_article.png # 拼接后的长图
│   └── article.txt     # 识别的文本内容
└── README.md           # 项目文档

🔧 配置选项

OCR配置

在 ocr_processor.py 中可以调整以下参数：

# 图像分割配置
CHUNK_HEIGHT = 3000      # 每块高度（像素）
OVERLAP = 100           # 重叠区域（像素）

# Tesseract配置
TESSERACT_CONFIGS = [
    '--psm 6 -c preserve_interword_spaces=1',  # 单列文本
    '--psm 4 -c preserve_interword_spaces=1',  # 单列可变文本
    '--psm 3 -c preserve_interword_spaces=1'   # 全自动分割
]

拼接配置

在 frame_stitcher.py 中可以调整：

# 相似度阈值
threshold = 0.8           # 重叠检测阈值
identical_threshold = 0.98 # 相同帧检测阈值

📊 处理流程

1. 视频帧提取 📹

   • 使用FFmpeg按指定FPS提取视频帧
   • 自动创建frames目录存储帧文件

2. 智能拼接 🧩

   • 分析相邻帧的重叠区域
   • 使用模板匹配算法找到最佳拼接点
   • 生成完整的长图文件

3. 文本识别 🔍

   • 将长图分割为适合OCR的块
   • 使用多种Tesseract配置提高识别率
   • 自动去重和文本清理

4. 结果输出 📝

   • 保存清理后的文本到article.txt
   • 保留原始长图用于验证

🎯 使用场景

• 📱 手机录屏文章: 提取微信文章、网页长文等
• 📺 视频字幕: 从滚动字幕视频中提取文本
• 📄 文档数字化: 将滚动浏览的PDF转为文本
• 📚 学习笔记: 从教学视频中提取文字内容

⚠️ 注意事项

1. 视频质量: 确保视频清晰度足够，文字可读
2. 滚动速度: 滚动不宜过快，建议匀速滚动
3. 文字对比度: 黑白对比度高的文字识别效果更好
4. 语言支持: 目前主要支持中文和英文识别

🐛 故障排除

常见问题

Q: FFmpeg命令失败

# 检查FFmpeg是否正确安装
ffmpeg -version

# 重新安装FFmpeg
brew reinstall ffmpeg  # macOS

Q: Tesseract识别率低

# 检查中文语言包
tesseract --list-langs

# 重新安装语言包
brew reinstall tesseract-lang  # macOS

Q: OpenCV导入错误

# 重新安装OpenCV
pip3 install opencv-python --upgrade

🤝 贡献

欢迎提交Issue和Pull Request！

1. Fork本项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启Pull Request

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

🙏 致谢

• Tesseract OCR - 强大的OCR引擎
• FFmpeg - 多媒体处理框架
• OpenCV - 计算机视觉库

---

如果这个项目对你有帮助，请给个 ⭐ Star！