自动翻转卡包和拼写均已实现，剩下的点听力，阅读，语法，较为简单（如需要请自行补充代码）
ps: 使用雷电模拟器
这里提供的代码主要是思路，直接粘贴复制是用不了的（因为缺少相关环境和python的模块包）
实现自动拼写：
import pyautogui,time,logging,re
from paddleocr import PaddleOCR
pyautogui.PAUSE = 0.1
time.sleep(1)
img_path="pinxie.png"
##定位键盘,这个x，y很重要，定位全局。(尽量别修改)
x,y=pyautogui.locateCenterOnScreen(img_path,region=(0,0,500,900),confidence=0.8)##左半屏
##可以不带region参数 x,y=pyautogui.locateCenterOnScreen(img_path，confidence=0.8)##全屏寻找
print(x,y)
keyboard_layout = {
'q': (x-365, y-196), 'w': (x-320, y-196), 'e': (x-275, y-196), 'r': (x-230, y-196), 't': (x-185, y-196),
'y': (x-140, y-196), 'u': (x-95, y-196), 'i': (x-50, y-196), 'o': (x-5, y-196), 'p': (x+40, y-196),
'a': (x-340, y-136), 's': (x-295, y-136), 'd': (x-250, y-136), 'f': (x-205, y-136), 'g': (x-160, y-136),
'h': (x-115, y-136), 'j': (x-70, y-136), 'k': (x-25, y-136), 'l': (x+20, y-136),
'z': (x-300, y-76), 'x': (x-255, y-76), 'c': (x-210, y-76), 'v': (x-165, y-76), 'b': (x-120, y-76),
'n': (x-75, y-76), 'm': (x-30, y-76)
}
#这里的坐标不要修改，我调好的参数。
##这里是主体部分
while True:##一般这里就是二十五个循环（25个单词拼写）
def type_text(text):
for char in text:
if char in keyboard_layout:
x, y = keyboard_layout[char]
pyautogui.click(x, y)
# 模拟第一次输入
type_text("qwertyuipoiuy")
pyautogui.click(x, y)
time.sleep(0.5)
##截取单词
pyautogui.screenshot("danci.png", (int(x - 360), int(y - 536), 380, 250))
danci = []
##识别单词
logging.disable(logging.DEBUG)
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
result = ocr.ocr(f"danci.png", cls=True)
for idx in range(len(result)):
res = result[idx]
for line in res:
danci.append(line[1][0])
# 将列表转换为一个字符串
string = ''.join(danci)
# 定义正则表达式模式，匹配 "提示" 后面的单词
pattern = re.compile(r'提示(\w+)')
# 使用正则表达式进行匹配
match = pattern.search(string)
result = match.group(1) # <---这个就是识别出来的正确答案
print(result) #打印出来方便观察的（可以删）
##以上为识别单词（识别结束）
# 现在可以点击删除键清空单词
pyautogui.click(x + 20, y - 76)
# 现在开始输入单词
type_text(result)
pyautogui.click(x, y)
time.sleep(1) #延迟函数（很重要）可以根据你的电脑调整时间，但是不要删除（给截屏反应时间的），因为那个页面跳转会有0.3秒的时间响应思路都写在注释里了
自动翻转卡包：
import logging,re,Levenshtein
import pyautogui,time
from paddleocr import PaddleOCR, draw_ocr
li=[]##识别表
li1=[]##对比表1
li22=[]##对比表22
def ocrbaocun(): ##识别保存后正则化 为 对比表1
li=[]
li1=[]##初始化列表为空，防止混淆
pp=0
while True:
if (pp==5):
break
time.sleep(1.5)
img_path = "shibie.png"
x, y = pyautogui.locateCenterOnScreen(img_path, region=(0, 0, 400, 800), confidence=0.7)
pyautogui.click(x, y + 200)
time.sleep(1.5)
pyautogui.screenshot(f"shot{pp+1}.png", (int(x - 235), int(y - 160), 350, 370))
##开始识别翻译的截屏
logging.disable(logging.DEBUG)
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
result = ocr.ocr(f"shot{pp+1}.png", cls=True)
for idx in range(len(result)):
res = result[idx]
str1 = ""
for line in res:
str1 += line[1][0]
pp += 1
# 按住鼠标左键
pyautogui.mouseDown(button='left')
# 向上滑动
pyautogui.moveRel(0, -100, duration=0.2) # 这里的100可以调整，表示滑动的距离
# 释放鼠标左键
pyautogui.mouseUp(button='left')
li.append(str1)
print(li)
#正则表达式
pattern = re.compile(r'(?<![A-Z])\b(?!vt|n|adj|adv)[a-zA-Z]+\b|[\u4e00-\u9fa5]+')
# 遍历列表中的每个元素
for text in li:
# 使用findall方法匹配文本中的单词
matches = pattern.findall(text)
# 输出匹配到的单词
li1.append(matches)
time.sleep(2)
print(li1)
for i in range(5):
ocrchoice(li1)
def ocrchoice(li1):
time.sleep(1.5)
li2=[]
li22=[]
elect_path = "choice.png"
x, y = pyautogui.locateCenterOnScreen(elect_path, confidence=0.7, region=(0, 0, 400, 800))
pyautogui.screenshot("choicejietu.png", (int(x - 200), int(y + 100), 390, 270))
logging.disable(logging.DEBUG)
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
result = ocr.ocr(f"choicejietu.png", cls=True)
for idx in range(len(result)):
res = result[idx]
for line in res:
li2.append(line[1][0])
pattern = re.compile(r'[\u4e00-\u9fa5]+')
for text in li2:
matches = pattern.findall(text)
li22.append(matches)
print(li22)
##从这里开始选择
decide(x,y,li1,li22)
def decide(x,y,li1,li22):
flat_list1 = [item for sublist in li1 for item in sublist]
# 设置相似度阈值
immediate_threshold = 0.7
def are_similar(str1, str2):
return Levenshtein.ratio(str1, str2)
# 找到第二个双层列表中包含相似元素的子列表的相似度最大索引
max_similarity = 0
matching_index = -1
immediate_found=False
for idx, sublist in enumerate(li22):
for item in sublist:
for flat_item in flat_list1:
similarity = are_similar(item, flat_item)
print(f"Comparing '{item}' with '{flat_item}', similarity: {similarity}")
if similarity >= immediate_threshold:
print(f"Found immediate match with similarity {similarity} at index {idx}")
matching_index=idx
max_similarity=similarity
immediate_found=True
break
if similarity > max_similarity:
max_similarity = similarity
matching_index = idx
if immediate_found:
break
if immediate_found:
break
print(f"Matching index: {matching_index}, max similarity: {max_similarity}")
#以上有两种匹配方案，如果有相似度>=0.8的子列表，就直接结束比对（一般都是1.0的相似度）。
#如果没有>=0.8的，就比对所有字符串后取最大相似度所在的子列表索引。
if(matching_index==0):
pyautogui.click(x + 150, y + 130)##A
if(matching_index==1):
pyautogui.click(x + 150, y + 200)##B
if(matching_index==2):
pyautogui.click(x + 150, y + 270)##C
if(matching_index==3):
pyautogui.click(x + 150, y + 340)##D
time.sleep(0.5)
# 按住鼠标左键
pyautogui.mouseDown(button='left')
# 向上滑动
pyautogui.moveRel(0, -100, duration=0.2) # 这里的100可以调整，表示滑动的距离
# 释放鼠标左键
pyautogui.mouseUp(button='left')
time.sleep(1.5)
while True:
ocrbaocun()
time.sleep(1)简单讲解下卡包的思路：
列表里的1，2，3，4，5是分别五个单词的翻译及其单词（还没有正则化）五个字符串在一个列表中往后累加的，所以后面也是一样的形式
白色框：是正则化（re）后的每个单词及其翻译
绿色框（每个单词都是这样的）：是第一个的单词的选择（A，B，C，D），显而易见也是已经经过 正则化。
选择思路：
判断相似度：
以上有两种匹配方案，如果有相似度>=0.8的子列表，就直接结束比对（一般都是1.0的相似度）如果没有>=0.8的，就比对所有字符串后取最大相似度所在的子列表索引。
Matching index就是选项，0，1，2，3分别对应A,B,C,D.
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
