=Start=
缘由：
再整理一下近期发现的对超长截图中的文本内容进行提取的方法（是对之前的图片形式PDF文件内容提取的一个补充，之前的方案在超长截图那里会有问题）。对于那些由少数几张由较长截图合并成的PDF文件来说，如何提取其中的文本内容是一个很有挑战的事情，这里记录一下最近想到的办法，方便后面有需要的时候参考。
正文：
参考解答：
因为之前的文章 图片形式的PDF文件的内容提取方法 已经记录了针对常规图片形式PDF文件的内容做提取的方法，这里只补充一下如何将长截图的PDF文件/图片切分成合适高度的小图片然后OCR的方法。
步骤整理：
- 先借助macOS系统的预览（Preview）应用的拖拽功能，将原始PDF文件中的部分页面分别拖出来形成一个由单独一张长截图生成的PDF文件；
- 然后还是借助macOS系统的预览（Preview）应用的导出功能，用PDF文件生成图片文件；
- 借助ImageMagick的命令行工具对图片进行按高度水平切分：
通过命令查看图片文件的高度的方法（也可以通过预览应用进行查看）：
sips -g pixelHeight x1.png再按高度比例/绝对值进行水平切分（以下选项是指按照宽度100%，高度10%进行切分）：
cd ~/Documents
magick x1.png -crop 100%x10% +repage output1-%02d.jpg
magick x2.png -crop 100%x10% +repage output2-%02d.jpg
magick x3.png -crop 100%x10% +repage output3-%02d.jpg最后再使用之前写的代码对上面批量生成的jpg图片进行OCR提取文字：
python3 ~/py_macos_ocr_images.py ~/Documents >ocr_result.txt补充一下ImageMagick命令的参数解释方便理解：
magick input.jpg -crop 100%x200 +repage output-%02d.jpg这里的参数解释如下：
-crop 100%x200：指定裁剪区域的宽度和高度。100%意味着宽度与原图相同，200是指定的高度（在这里是200像素），高度也可以用百分比的形式指定，比如10%。+repage：移除虚拟画布信息，确保输出图像不会带有额外的空间或者偏移。output-%02d.jpg：输出文件名模板，%02d是一个占位符，表示生成的文件名中的数字序列，从0开始递增，且至少两位数（不足两位前面补零）。
请注意，如果原始图片的高度不是所设定的切分高度（这里是200像素）的整数倍，则最后一张图片可能会小于设定的高度。
通过上述方法，你就可以在macOS系统上利用ImageMagick根据特定高度对图片进行水平切分了。这种方法特别适合需要批量处理或自动化任务的情况。
参考链接：
How To Split an Image Vertically Using ImageMagick
https://www.baeldung.com/linux/imagemagick-split-image-vertically
图片形式的PDF文件的内容提取方法
https://ixyzero.com/blog/archives/5927.html
通义千问
https://tongyi.aliyun.com/qianwen/
=END=
《“对长截图中的文本内容进行OCR提取的方法”》 有 1 条评论
更漂亮地打印长截图，一种低技术方案
https://utgd.net/article/20655
`
说明：
实际测试了一下，这个方案对于完全没有技术的同学来说还是OK的，但是对于我这种，切分长截图是为了更好的对其中的每一单张图片进行OCR提取文字内容的场景来说，用ImageMagick命令进行切分是更便捷好用的方法。因为：
1. 不需要手动用Safari浏览器打开图片文件以及后面的缩小放大等操作；
2. 生成的每一张图片的4个角那里不会添加额外的文字内容（图片的位置、当前处于第几页）；
3. 这种方式也会出现把正常内容截断放在前后两张图片的情况（不符合我的预期，虽然ImageMagick命令行的方式也没办法保证），这几乎是任何一个非人工自动化操作都会面临的问题，你不每一个切割点都去检查会不会截断正常内容（然后再针对性的上下调整切割点）你就无法保证结果的完美，但是命令的方式好在快速简洁。
==
问题倒也没那么难解决。之前在打印网页文章时，我并不希望网页图片被切分到不同页面上，但如果一页放不下而网页又没有专门处理（细心的网页可能会编写 CSS，避免图片被切断），那么多余部分就会被挤到后续页面。在打印网页时，图片被拦腰截断固然是一种缺陷，可如果反过来利用，不就能在打印时自动切分长截图了吗？
接下来的问题，就是如何把待打印的图片上传到网页上。这一环节其实并不需要任何编程技巧或者网页开发经验，只需把图片拖到浏览器图标上，或者在右键上下文菜单中选择浏览器打开。
当然，现在直接打印的话，你获得的可能仍然是单页图片。真正至关重要的是下一步：点击图片以将其放大显示，此时再尝试打印，在主流浏览器中的默认情况都是自动裁切图片——图片会尽可能填满纸张两侧，而纵向上多出来的部分则顺延到后续页面，如此一来，长截图就自动被切割到多张A4大小的纸张上，不怕打印后文字看不清。
`