影刀RPA新手教程：OCR文字识别完全指南——让影刀读懂图片里的文字

影刀RPA新手教程：OCR文字识别完全指南——让影刀读懂图片里的文字

小张是个行政文员，每天有个烦人的工作——从系统里截图，再把截图里的编号手动敲进Excel。

一张两张还好，一天几十张，眼睛都花了，还经常敲错数字。

她问我：“有没有办法让电脑自己读图片里的字？”

我说有，这叫OCR。

什么是OCR，一句话讲清楚

OCR就是"光学字符识别"的缩写，说人话就是：让电脑看图片，把图片里的文字"读"出来变成能复制的文字。

你手机拍照、然后提取照片里的文字，用的就是OCR。影刀RPA自带OCR功能，不需要装额外的东西。

我第一次用OCR是在一个注册账号的流程里。网站有验证码，每次都要人工看、人工填。后来发现影刀能自动识别验证码，效率一下子提了十倍。

安装与配置

打开影刀RPA客户端，OCR功能是内置的，不需要单独安装插件。

但有个小细节要注意：OCR需要调用影刀的AI引擎，需要联网才能用。如果你在离线环境跑流程，OCR指令会报错。

在指令面板左侧搜索"OCR"，你会看到好几个指令：验证码识别、通用文字识别、表格OCR等等。今天我们从最简单的"通用文字识别"开始。

准备工作：截取一张图片

我们得先让影刀拿到一张图片。最简单的方法是截图。

影刀有个指令叫"元素截图"，在"网页自动化"分组里。点开它，配置两个参数：

• 目标元素：你要截哪个区域。可以用录制工具在页面上点一下，影刀会自动生成XPath。比如//img[@class=‘captcha’]，意思就是找页面上class是captcha的那张验证码图片。

• 保存路径：截图存到哪里。写成"C:\temp\captcha.png"。

我当初踩过一个坑：保存路径的文件夹必须提前存在。影刀不会自动帮你创建文件夹，直接报错。所以要么手动创建temp文件夹，要么在执行指令之前加一步"新建文件夹"。

执行OCR识别

截图拿到了，接下来用"通用文字识别"指令。

这个指令的配置很简单，就两个关键参数：

• 图片路径：你刚才截图保存的位置，比如"C:\temp\captcha.png"。
• 结果保存到：选一个变量名，比如ocr_result。识别出来的文字会存到这个变量里。

点运行，如果你的验证码是清晰的标准字体的数字或字母，识别率能到95%以上。

我在项目中遇到过一个案例：验证码有干扰线，纯数字的验证码，用"通用文字识别"准确率只有60%左右。后来换成影刀专门的"验证码识别"指令，选了"纯数字1"类型，准确率直接飙到99%。

所以提醒一句：如果是验证码场景，别用通用文字识别，用专门的验证码识别指令。

变量与数据类型

OCR识别结果存在变量里。在影刀里，变量的概念很简单——就是一个装数据的容器。

刚才的ocr_result变量，它的数据类型是"字符串"。字符串就是一段文字，比如"AB3X"。

你可以用"日志输出"指令把变量的值打印出来，看看OCR到底读到了什么。在流程画布上加一个日志输出，输出内容填ocr_result，运行后就能在日志面板看到识别结果。

我调试OCR的时候，都会先打印日志，确认识别正确了，再继续往下写其他步骤。这个习惯帮我省了无数时间。

流程控制：判断OCR是否成功

OC识别不一定100%成功。有时候图片太模糊，识别结果可能是空字符串。

这时候需要用"If判断"指令来处理。逻辑很简单：

如果 ocr_result 不等于 空 就 把识别结果填入输入框 否则 就 刷新验证码，重新截图识别

在影刀里，If判断是一个指令节点，有两个分支：条件满足走左边，条件不满足走右边。

条件表达式写成：ocr_result != “”。这里的!=是"不等于"的意思，""是两个英文双引号中间没东西，表示空字符串。

这就是流程控制的核心思想——让流程自己判断情况，而不是傻傻地一条道走到黑。

网页自动化：填入识别结果

OCR读出来了，下一步是把文字填到网页输入框里。

在"网页自动化"分组里找到"输入文本"指令。配置两个参数：

• 目标元素：用录制工具点击网页上的验证码输入框，影刀会自动生成类似//input[@name=‘captcha’]这样的XPath。

• 输入内容：填变量名ocr_result。

CSS选择器也能定位元素，比如input[name=“captcha”]。XPath和CSS两种方式都能用，看个人习惯。我一般先用录制工具生成XPath，如果XPath不稳定（比如id会变），再手写CSS选择器。

数据处理：清洗OCR结果

OCR识别出来的文字可能有干扰字符。比如验证码是"XY68"，OCR可能识别成"X Y68"或"XY6B"。

这时候需要对结果做清洗。影刀有"替换文本"指令，可以用来去掉多余空格：

• 原始文本：ocr_result
• 查找内容：" "（一个空格）
• 替换为：“”（空，等于删除）
• 结果保存到：ocr_result_clean

如果需要更复杂的清洗，比如只保留数字，可以用Python指令写正则：

importre ocr_result=GetVar("ocr_result")clean=re.sub(r'[^0-9a-zA-Z]','',ocr_result)SetVar("ocr_result_clean",clean)

这段代码的意思是：只保留数字和英文字母，其他字符全部删掉。

鼠标键盘与图像操作

有时候验证码图片不是一个直接的img标签，而是canvas画布动态生成的。这时候普通的"元素截图"截不到内容。

解决方案是用鼠标键盘操作：先点击验证码区域让它获得焦点，然后按Ctrl+A全选（如果支持复制的话），最后用剪贴板内容代替OCR。

也可以用影刀的"屏幕截图"指令，指定一个坐标区域直接截图，不依赖网页元素。这是图像识别的思路。

进阶技能：循环重试机制

OCR不是100%准确，所以需要加循环重试。

影刀的"For次数循环"可以设定重试次数。比如重试3次：

• 循环3次
  • 截图
  • OCR识别
  • 如果结果不为空且满足条件，跳出循环
  • 否则，刷新验证码，继续循环

循环里用"跳出循环"指令，当识别成功时直接退出，不要无意义地继续跑。

平台实战：一个完整的验证码识别流程

我来串一遍完整的流程，你照着做就能看到效果：

1. 打开网页（打开想要自动登录的网站）
2. 截图验证码（元素截图，保存到本地）
3. OCR识别（用验证码识别指令，选"纯数字1"）
4. 日志输出（打印识别结果，确认正确）
5. If判断（结果不为空？是->第6步，否->回第2步刷新）
6. 输入验证码（把识别结果填到输入框）
7. 点击提交

一共7个节点，半小时就能跑通。当时我做完这个流程后，那种"让电脑替我看了"的成就感，到现在还记得。

整个流程如果要拆分，可以把"截图OCR"部分封装成子流程。主流程里调用子流程，传入验证码元素的XPath，返回识别结果。这就是子流程的思想。

系统联动

OCR识别结果不仅可以填到网页上，还能写进Excel、发飞书通知、存到数据库。

比如你做了一个批量注册的流程，可以把每次注册用到的验证码和识别结果记录到Excel里，方便后面分析哪些网站的验证码容易识别，哪些需要调整策略。

也可以接入飞书机器人：当OCR连续失败3次时，发送一条飞书消息通知人工介入。这个功能在home.linyan.cloud上有详细的配置模板，可以参考。

工程化规范

写好的流程要规范化命名。变量名要见名知义，不要用a、b、c这种。ocr_result、captcha_path这种就很清晰。

指令节点也要加上注释。右键节点，选"添加注释"，写上这个步骤在做什么。团队协作时别人一看就懂。

常见报错与解决方案

OCR识别结果为空的解决：

• 检查图片路径是否正确，文件是否存在
• 确认网络连接正常，OCR需要联网
• 试试调整截图区域，确保文字清晰可见

XPath定位不到验证码元素：

• 检查页面是否iframe嵌套，需要先切换到iframe
• 用CSS选择器代替XPath试试
• 增加"等待元素出现"指令，等页面加载完再截图

#影刀RPA #RPA教程 #影刀新手教程 #OCR文字识别 #自动化办公 #Python自动化 #网页自动化

作者：林焱