feat: 增加视频截帧功能，支持--video参数自动截帧+OCR

skills/kb-ocr-processor/SKILL.md

@@ -4,19 +4,36 @@
 
 ## Features
 
-- Batch frame processing
-- PaddleOCR/Tesseract support
-- Confidence scoring
-- Text merging
+- **视频截帧**: 直接从视频文件截取帧图片
+- **批量处理**: 支持处理帧目录
+- **双引擎**: EasyOCR / Tesseract
+- **置信度评分**: 每帧识别结果带置信度
+- **文本合并**: 自动合并所有帧的识别结果
 
 ## Commands
 
 ```bash
-# Process frames
+# 方式1: 直接从视频截帧并OCR（推荐）
+python ocr_processor.py --video ./video.flv --output ocr.json
+
+# 方式2: 处理已截取的帧目录
 python ocr_processor.py --input ./frames/ --output ocr.json
 
-# With custom FPS
-python ocr_processor.py --input ./frames/ --fps 0.1 --output ocr.json
+# 指定截帧帧率（默认1帧/秒）
+python ocr_processor.py --video ./video.flv --fps 2 --output ocr.json
+
+# 同时生成合并的文本文件
+python ocr_processor.py --video ./video.flv --output ocr.json --merge
+
+# 使用 Tesseract 引擎
+python ocr_processor.py --input ./frames/ --engine tesseract --output ocr.json
+```
+
+## Workflow 中的使用
+
+```bash
+# 步骤5: OCR处理（视频无字幕时）
+python ocr_processor.py --video ${CONTENT_VIDEO_PATH} --output ${CONTENT_DIR}/ocr.json --merge
 ```
 
 ## Output
@@ -24,14 +41,15 @@ python ocr_processor.py --input ./frames/ --fps 0.1 --output ocr.json
 ```json
 {
   "success": true,
-  "data": {
-    "frames": {
-      "frame_0001.jpg": {
-        "texts": [{"text": "字幕", "confidence": 0.95}]
-      }
-    },
-    "merged_text": "合并的字幕文本..."
+  "engine": "easyocr",
+  "total_frames": 619,
+  "results": [
+    {
+      "source": "0001.jpg",
+      "text": "字幕文字",
+      "confidence": 0.95
     }
+  ]
 }
 ```
 
@@ -40,4 +58,9 @@ python ocr_processor.py --input ./frames/ --fps 0.1 --output ocr.json
 ```bash
 cp -r kb-ocr-processor/ ~/skills/
 pip install -r requirements.txt
+
+# 依赖说明
+# - easyocr: 主要OCR引擎（自动下载模型）
+# - pytesseract: Tesseract引擎
+# - ffmpeg: 视频截帧（apt install ffmpeg）
 ```

skills/kb-ocr-processor/ocr_processor.py

@@ -216,6 +216,50 @@ class OCRProcessor:
             print(f"Merged text saved to {text_path}")
 
 
+def extract_frames(video_path: str, output_dir: str, fps: float = 1.0) -> str:
+    """
+    使用 ffmpeg 从视频中截取帧图片
+
+    Args:
+        video_path: 视频文件路径
+        output_dir: 输出目录
+        fps: 每秒截取帧数 (默认: 1)
+
+    Returns:
+        帧图片目录路径
+    """
+    import subprocess
+
+    output_dir = Path(output_dir)
+    output_dir.mkdir(parents=True, exist_ok=True)
+
+    # ffmpeg 命令: -i 输入 -vf fps=fps 输出格式
+    cmd = [
+        "ffmpeg", "-y",
+        "-i", video_path,
+        "-vf", f"fps={fps}",
+        "-q:v", "2",  # 质量等级 (2=高质量)
+        str(output_dir / "%04d.jpg")
+    ]
+
+    print(f"🔄 截取视频帧: {video_path}")
+    print(f"   输出目录: {output_dir}")
+
+    try:
+        result = subprocess.run(cmd, capture_output=True, text=True)
+        if result.returncode == 0:
+            # 统计截取的帧数
+            frame_count = len(list(output_dir.glob("*.jpg")))
+            print(f"✅ 截取完成: {frame_count} 帧")
+            return str(output_dir)
+        else:
+            print(f"❌ ffmpeg 错误: {result.stderr}")
+            return ""
+    except FileNotFoundError:
+        print("❌ 错误: 未找到 ffmpeg，请先安装: apt install ffmpeg")
+        return ""
+
+
 def main():
     """命令行入口"""
     parser = argparse.ArgumentParser(
@@ -226,20 +270,27 @@ def main():
   # 使用 EasyOCR 处理帧目录
   python ocr_processor.py --input ./frames/ --output ./ocr.json
 
+  # 直接从视频截帧并 OCR
+  python ocr_processor.py --video ./video.flv --output ./ocr.json
+
   # 使用 Tesseract 处理
   python ocr_processor.py --input ./frames/ --output ./ocr.json --engine tesseract
 
-  # 指定采样帧率
-  python ocr_processor.py --input ./frames/ --output ./ocr.json --fps 0.5
+  # 指定截帧帧率
+  python ocr_processor.py --video ./video.flv --output ./ocr.json --fps 2
 
   # 同时生成合并的文本文件
   python ocr_processor.py --input ./frames/ --output ./ocr.json --merge
         """
     )
 
-    parser.add_argument("--input", "-i", required=True, help="输入帧图片目录")
+    # 输入源：帧目录 或 视频文件（二选一）
+    input_group = parser.add_mutually_exclusive_group(required=True)
+    input_group.add_argument("--input", "-i", help="输入帧图片目录")
+    input_group.add_argument("--video", "-v", help="输入视频文件（会自动截帧）")
+
     parser.add_argument("--output", "-o", required=True, help="输出 JSON 文件路径")
-    parser.add_argument("--fps", "-f", type=float, default=0.1, help="采样帧率 (默认: 0.1)")
+    parser.add_argument("--fps", "-f", type=float, default=1.0, help="截帧帧率 (默认: 1帧/秒)")
     parser.add_argument("--engine", "-e", choices=["easyocr", "tesseract"],
                        default="easyocr", help="OCR 引擎 (默认: easyocr)")
     parser.add_argument("--merge", action="store_true", help="同时保存合并的文本文件")
@@ -249,11 +300,25 @@ def main():
 
     args = parser.parse_args()
 
+    # 如果指定了视频文件，先截帧
+    input_dir = args.input
+    if args.video:
+        if not os.path.exists(args.video):
+            print(f"❌ 视频文件不存在: {args.video}")
+            return 1
+
+        # 创建临时帧目录
+        frames_dir = Path(args.video).stem + "_frames"
+        input_dir = extract_frames(args.video, frames_dir, fps=args.fps)
+
+        if not input_dir:
+            return 1
+
     # 初始化处理器
     processor = OCRProcessor(engine=args.engine, languages=args.languages)
 
     # 处理帧
-    results = processor.process_frames(args.input, fps=args.fps, progress_file=args.progress)
+    results = processor.process_frames(input_dir, fps=args.fps, progress_file=args.progress)
     
     if results:
         # 保存结果

skills/kb-workflow/kb_workflow.py

@@ -243,16 +243,16 @@ def main():
     
     parser.add_argument('--check', action='store_true', help='查重')
     parser.add_argument('--url', type=str, help='要检查的URL')
-    parser.add_argument('--archive', type=str, help='归档的文件路径')
+    parser.add_argument('--archive-file', type=str, help='归档的文件路径')
     parser.add_argument('--base-path', type=str, help='获取知识库根目录')
 
-    parser.add_argument('--pending', action='store_true', help='url解析目录')
+    parser.add_argument('--pending', action='store_true', help='获取url解析目录')
     parser.add_argument('--metadata', action='store_true', help='获取元数据目录')
     parser.add_argument('--content', action='store_true', help='获取内容目录')
     parser.add_argument('--content_downloads', action='store_true', help='获取主内容下载目录')
     parser.add_argument('--content_subtitles', action='store_true', help='获取字幕目录')
     parser.add_argument('--analyzed', action='store_true', help='获取深度分析目录')
-    parser.add_argument('--archive', action='store_true', help='获取归档目录')
+    parser.add_argument('--archive_dir', action='store_true', help='获取归档目录')
     parser.add_argument('--archive_subscriptions', action='store_true', help='获取订阅信息目录')
     parser.add_argument('--extract_platform', type=str, help='要提取平台名称的文件名')
     args = parser.parse_args()
@@ -263,10 +263,16 @@ def main():
         result = check_duplicate(base_path, args.url)
         print(json.dumps(result, ensure_ascii=False, indent=2))
     
-    elif args.archive:
-        result = archive_and_git(args.archive, base_path)
+    elif args.archive_file:
+        result = archive_and_git(args.archive_file, base_path)
         print(json.dumps(result, ensure_ascii=False, indent=2))
     
+    elif args.archive_dir:
+        path = dirs.get("archive")
+        if path:
+            print(json.dumps({"path": str(path)}, ensure_ascii=False, indent=2))
+        return
+    
     else:
         parser.print_help()