打造一款离线可用的桌面 OCR 工具：微信 OCR 引擎复用实践
前言
在日常工作中，我们经常会遇到需要提取屏幕或图片中文字的场景——比如识别截图中的代码片段、从 PDF 扫描件中复制文字、或者从无法直接复制的文档中提取信息。
市面上虽然有很多 OCR 工具，但大多存在以下痛点：
在线 API：需要联网、有调用次数限制、涉及隐私风险
开源方案（如 Tesseract）：识别准确率有限，中文支持不够好
专业软件：功能臃肿、价格昂贵
那有没有一种方案，既能离线使用，又能保证识别准确率，而且轻量免费？
答案是：复用微信的 OCR 引擎。
微信作为国民级应用，其内置的 OCR 能力经过海量用户场景的验证（扫码、翻译、提取图片文字等），识别准确率相当出色。而且它的 OCR 动态库（mmmojo.dll）是可以直接调用的。
基于这个思路，我开发了一款桌面 OCR 工具——WxOcrTool，本文将分享它的技术实现和核心设计。
项目概览
WxOcrTool 是一款基于微信 OCR 引擎的 Windows 桌面端文字识别工具，提供截图识别和本地图片识别两种核心能力，同时暴露HTTP API方便其他程序集成。
项目地址：[https://github.com/branden9839/wxOcr] | 技术栈：Python + wxPython + Flask
核心能力
| 功能 | 说明 |
|------|------|
| 截图识别 | 框选屏幕任意区域，自动识别文字 |
| 图片识别 | 打开本地 JPG/PNG/BMP 图片进行识别 |
| HTTP API | 提供 RESTful 接口，供自动化脚本集成 |
| 全局热键 | 系统级快捷键，窗口不在前台也能触发 |
| 系统托盘 | 最小化到托盘，后台常驻运行 |
| 开机自启 | 通过 Windows 注册表实现自启动 |
技术架构
整个项目采用模块化设计，各模块各司其职：
┌─────────────────────────────────────┐ │ GUI (wxPython) │ │ 主窗口 / 截图界面 / 设置对话框 │ └────────────┬────────────────────────┘ │ ┌────────────▼────────────────────────┐ │ OCR 引擎 (ocr.py) │ │ 初始化微信 OcrManager → 提交识别任务 │ │ → 回调获取结果 │ └────────────┬────────────────────────┘ │ ┌────────────▼────────────────────────┐ │ 微信 OCR 动态库 (mmmojo.dll) │ │ + ocrTx/ 模型文件 │ └─────────────────────────────────────┘ ┌─────────────────────────────────────┐ │ HTTP 服务 (Flask) │ │ localhost:5000 │ │ GET /screenshot GET /status │ └─────────────────────────────────────┘各模块职责
| 模块 | 文件 | 职责 |
|------|------|------|
| 主入口 |main.py| 启动 GUI + Flask 服务 |
| GUI 层 |view.py| 主窗口、工具栏、菜单、托盘、状态提示 |
| 设置管理 |settings_dialog.py| 配置项持久化（settings.json） |
| OCR 服务 |ocr.py| 封装微信 OCR 引擎调用 |
| 截图模块 |shot.py| 全屏遮罩 + 鼠标拖拽选取区域 |
| HTTP 服务 |server.py| Flask REST API |
| OCR 线程 |ocrThread.py| 异步执行 OCR，不阻塞 GUI |
核心技术实现
1. 微信 OCR 引擎的调用
这是项目的核心亮点。微信的 OCR 能力封装在mmmojo.dll（或 64 位版本mmmojo_64.dll）中，通过 COM 接口暴露。
调用流程如下：
classOCRService:definitialize_ocr_manager(self):# 初始化 OcrManager 对象self.ocr_manager=win32com.client.Dispatch('OcrManager')# 启动 OCR 引擎self.ocr_manager.InitOcrEngine()defprocess_ocr(self,img_path):# 设置回调self.ocr_manager.OnOcrResult=self.ocr_result_callback# 设置超时self.ocr_manager.SetTimeOut(30000)# 提交识别任务self.ocr_manager.OCR(img_path,"zh")defocr_result_callback(self,result):# 解析 OCR 结果，提取文字# 通过 wx.CallAfter 更新 GUI（线程安全）...关键点：
使用
win32com.client.Dispatch创建 COM 对象通过
OnOcrResult回调接收识别结果引擎数据（模型文件）位于
ocrTx/目录下同时携带 32 位和 64 位两种 DLL，兼容不同系统架构
2. 截图功能的实现
截图功能是全屏覆盖 + 鼠标拖拽选取的经典模式：
classScreenshotFrame(wx.Frame):def__init__(self):# 全屏无边框窗口，半透明遮罩self.ShowFullScreen(True)self.SetTransparent(100)defon_paint(self,event):# 绘制遮罩和选取区域# 选取区域用白色高亮显示defon_mouse_drag(self,event):# 记录起始位置和结束位置# 实时绘制选取矩形搭配keyboard库实现的全局热键（默认Ctrl+Q），无论窗口是否在前台，都能一键唤起截图。
3. 双模式交互设计
既提供桌面 GUI，又提供 HTTP API，这是本工具的一大特色：
GUI 模式：适合日常交互使用
工具栏按钮：截图识别、选择图片
左右分栏：左侧图片预览，右侧结果显示
系统托盘：后台常驻，随时唤出
API 模式：适合自动化集成
# 触发截图识别（会弹出截图界面）curlhttp://localhost:5000/screenshot# 查询服务状态curlhttp://localhost:5000/status# 返回: {"code": 200, "message": "服务运行中", "success": true, "data": {...}}这种设计让工具不仅能手动使用，还能嵌入到其他自动化工作流中。
4. 用户体验细节
工具在用户体验上做了不少打磨：
自动复制：识别结果自动写入剪贴板
自动保存：可设置自动保存识别结果到文件
状态提示：右下角浮动弹窗，显示识别进度和结果（绿色成功、红色失败）
快捷键自定义：支持任意组合键录制
设置持久化：所有配置保存到
settings.json
配置与个性化
设置界面采用选项卡式布局，包含两类配置：
常规设置
自动复制到剪贴板
自动保存结果到文件
显示 OCR 状态提示
最小化到系统托盘
开机自启动
快捷键设置
截图识别（默认
Ctrl+Q）打开图片（默认
Ctrl+O）打开设置（默认
Ctrl+P）
所有快捷键支持录制模式——点击输入框后按下你想设置的热键即可。
技术亮点总结
复用微信 OCR 引擎：直接调用微信官方 OCR 动态库，识别准确率高、完全离线、无需付费
双模式操作：GUI 和 HTTP API 并存，兼顾人工使用和程序集成
全局热键：系统级快捷键，操作流畅不中断工作流
完整的工程化设计：模块解耦、异步线程、设置持久化、状态反馈，不是玩具项目
跨架构兼容：同时支持 32 位和 64 位系统
快速上手
# 1. 克隆项目gitclone https://github.com/your-username/wxOcr.gitcdwxOcr# 2. 安装依赖pipinstall-rrequirements.txt# 3. 运行python main.py依赖清单：
wxPython>=4.2.0 Flask>=2.0.0 keyboard>=0.13.5 Pillow>=9.0.0 python-dotenv>=0.19.0 requests>=2.26.0适用场景
程序员：快速识别截图中的错误信息、代码片段
办公人员：从 PDF 扫描件、图片文档中提取文字
研究人员：收集资料时快速提取不可复制的文字内容
自动化测试：通过 HTTP API 集成到自动化流程中
总结
WxOcrTool 是一个"站在巨人肩膀上"的实践——通过复用微信成熟稳定的 OCR 引擎能力，我们可以在不依赖任何云服务的情况下，获得高质量的离线文字识别体验。
项目的核心价值在于：
技术可行：微信 OCR 引擎确实可以独立调用
体验完善：从截图到识别到结果处理，全链路流畅
集成友好：HTTP API 让它能融入更复杂的自动化体系
如果你也有类似的需求，不妨 Clone 下来试一试，或者基于这个思路开发你自己的工具。
如果你觉得这个项目对你有帮助，欢迎 Star ⭐ 支持！