Update obsidian-kb skill and add find-skills

- obsidian-kb: Add OCR processors (easyocr, tesseract) - obsidian-kb: Fix subtitle detection with test files - obsidian-kb: Add cookie verification script - Add find-skills skill for discovering capabilities - Add video processing scripts - Update clawhub lock file
2026-02-09 11:53:42 +08:00
parent d66eade77e
commit e0a2b323d9
33 changed files with 3555 additions and 36 deletions
@@ -208,6 +208,51 @@ bilibili_extraction:
  enable_danmaku: false    # 启用弹幕提取
  timeout_seconds: 30      # 超时时间
  max_retries: 3           # 最大重试次数
+
+# 硬字幕提取配置 (OCR 方式)
+hard_subtitle:
+  # 是否启用硬字幕提取功能
+  enabled: true
+
+  # OCR 引擎选择
+  # 可选值: "paddleocr" (推荐), "tesseract"
+  engine: "paddleocr"
+
+  # 字幕区域检测配置
+  detection:
+    # 默认字幕区域: "bottom" (底部), "full" (全屏), "auto" (自动检测)
+    default_region: "bottom"
+    # 当默认区域未检测到字幕时，是否自动回退到全屏模式
+    fallback_auto: true
+    # 是否缓存字幕区域检测结果（提升处理速度）
+    cache_region: true
+
+  # OCR 识别配置
+  ocr:
+    # 置信度阈值: 低于此值的识别结果将被过滤
+    confidence_threshold: 0.7
+    # 批处理大小: 每次处理的帧数（影响内存使用和速度）
+    batch_size: 32
+    # 最大并发工作线程数
+    max_workers: 4
+
+  # 视频帧提取配置
+  video:
+    # 抽帧间隔 (秒): 每隔多少秒抽取一帧进行识别
+    interval_seconds: 5
+    # 最大抽取帧数: 防止处理过长视频导致资源耗尽
+    max_frames: 500
+    # 流式处理模式: 逐步读取视频帧，避免一次性加载整个视频
+    stream_mode: true
+
+  # 后处理配置
+  postprocess:
+    # 是否启用去重: 去除连续相同的字幕文本
+    deduplicate: true
+    # 最小文本长度: 少于此长度的识别结果将被视为噪声
+    min_length: 2
+    # 是否过滤噪声: 使用规则过滤明显错误的识别结果
+    filter_noise: true
 ```

 ### 环境变量
@@ -319,6 +364,104 @@ else:
    content["subtitle_text"] = subtitle_text
 ```

+### 硬字幕提取功能
+
+当视频没有内置字幕时，硬字幕提取功能可以通过 OCR（光学字符识别）技术从视频画面中识别字幕文本。
+
+**功能介绍：**
+- 自动检测和识别视频画面中的字幕文本
+- 支持多种 OCR 引擎（PaddleOCR、Tesseract）
+- 智能字幕区域检测（底部、全屏、自动）
+- 自动去重和噪声过滤
+- 支持流式处理，降低内存占用
+
+**使用场景：**
+- 视频没有提供 CC 字幕或 AI 字幕
+- 字幕嵌入在视频画面中（硬编码字幕）
+- 需要提取非标准格式的字幕
+
+**配置说明：**
+
+```yaml
+hard_subtitle:
+  # 是否启用硬字幕提取功能
+  enabled: true
+
+  # OCR 引擎选择
+  # 可选值: "paddleocr" (推荐), "tesseract"
+  engine: "paddleocr"
+
+  # 字幕区域检测配置
+  detection:
+    # 默认字幕区域: "bottom" (底部), "full" (全屏), "auto" (自动检测)
+    default_region: "bottom"
+    # 当默认区域未检测到字幕时，是否自动回退到全屏模式
+    fallback_auto: true
+    # 是否缓存字幕区域检测结果（提升处理速度）
+    cache_region: true
+
+  # OCR 识别配置
+  ocr:
+    # 置信度阈值: 低于此值的识别结果将被过滤
+    confidence_threshold: 0.7
+    # 批处理大小: 每次处理的帧数（影响内存使用和速度）
+    batch_size: 32
+    # 最大并发工作线程数
+    max_workers: 4
+
+  # 视频帧提取配置
+  video:
+    # 抽帧间隔 (秒): 每隔多少秒抽取一帧进行识别
+    interval_seconds: 5
+    # 最大抽取帧数: 防止处理过长视频导致资源耗尽
+    max_frames: 500
+    # 流式处理模式: 逐步读取视频帧，避免一次性加载整个视频
+    stream_mode: true
+
+  # 后处理配置
+  postprocess:
+    # 是否启用去重: 去除连续相同的字幕文本
+    deduplicate: true
+    # 最小文本长度: 少于此长度的识别结果将被视为噪声
+    min_length: 2
+    # 是否过滤噪声: 使用规则过滤明显错误的识别结果
+    filter_noise: true
+```
+
+**使用示例：**
+
+```python
+from obsidian_kb.extractors.bilibili import BilibiliExtractor
+
+# 创建提取器实例（自动启用硬字幕提取）
+extractor = BilibiliExtractor(
+    use_playwright=True,
+    headless=True
+)
+
+# 当视频没有内置字幕时，会自动尝试硬字幕提取
+subtitle = extractor.extract_subtitle("https://www.bilibili.com/video/BV1xx411c7mD")
+
+print(f"识别到的字幕: {subtitle}")
+```
+
+**注意事项：**
+
+1. **性能考虑**：硬字幕提取需要较高的计算资源，建议在配置合理的机器上运行
+2. **识别准确度**：OCR 识别准确度受字幕字体、颜色、背景等因素影响，可能存在误差
+3. **处理时间**：硬字幕提取比软字幕提取慢，对于长视频需要较长时间处理
+4. **依赖安装**：使用前需要安装 OCR 引擎依赖：
+   - PaddleOCR: `pip install paddleocr paddlepaddle`
+   - Tesseract: 需要安装 Tesseract OCR 引擎和语言包
+5. **网络视频**：流式处理需要稳定的网络连接
+6. **字幕格式**：不同视频的字幕样式差异较大，可能需要调整配置参数以获得最佳效果
+
+**最佳实践：**
+- 对于短视频（<30分钟），可以减小 `interval_seconds` 以提高识别精度
+- 对于长视频，增加 `interval_seconds` 和减少 `max_frames` 以平衡速度和质量
+- 如果字幕位置固定在底部，使用 `default_region: "bottom"` 可以提升速度
+- 首次使用建议先测试一段视频，根据结果调整配置参数
+
 ### ZhihuDrissionExtractor 类

 知乎 DrissionPage 提取器提供知乎内容的完整提取功能：