desktop-gui - 全桌面 GUI 自动化#

概述#

使用 Python 库实现全桌面 GUI 自动化，包括鼠标/键盘模拟、截图、视觉识别等。

🌟 两种模式#

1. 传统模式：xdotool + scrot + OCR（适合简单场景）
2. 视觉模式：xdotool + scrot + Qwen3.5-27b 视觉模型（推荐，更智能）

依赖安装#

bash

# 核心库
pip3 install pyautogui pygetwindow pymsgbox opencv-python-headless pillow pytesseract

# 系统工具
sudo apt-get install -y xdotool scrot tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra

核心功能#

1. 鼠标控制#

• 移动、点击、双击、右键
• 拖动、滑动
• 悬停

2. 键盘控制#

• 输入文本
• 快捷键（Ctrl+C, Alt+Tab 等）
• 特殊键（Enter, Escape, Arrow 等）

3. 屏幕识别#

• 截图（全屏/区域）
• 图像搜索（找按钮/图标位置）
• OCR 文字识别

4. 窗口管理#

• 查找窗口
• 激活/最小化/关闭
• 获取窗口位置/大小

使用示例#

python

import pyautogui
import pygetwindow as gw
from PIL import Image
import time

# 暂停保护（误操作时按 Ctrl+C 停止）
pyautogui.PAUSE = 1

# 鼠标操作
pyautogui.moveTo(100, 200)  # 移动到坐标
pyautogui.click()           # 左键点击
pyautogui.doubleClick()     # 双击
pyautogui.rightClick()      # 右键
pyautogui.scroll(5)         # 滚动

# 键盘操作
pyautogui.typewrite('Hello World')
pyautogui.hotkey('ctrl', 'c')  # Ctrl+C
pyautogui.press('enter')

# 截图
screenshot = pyautogui.screenshot()
screenshot.save('/tmp/screen.png')

# 图像搜索（找按钮位置）
button_pos = pyautogui.locateOnScreen('button.png')
if button_pos:
    pyautogui.click(button_pos)

# 窗口管理
windows = gw.getAllWindows()
for w in windows:
    print(w.title, w.left, w.top, w.width, w.height)

# 激活窗口
for w in gw.getWindowsAt(100, 100):
    w.activate()
    break

OpenClaw 集成#

通过 exec 工具运行 Python 脚本：

bash

python3 << 'EOF'
import pyautogui
pyautogui.press('f5')  # 刷新页面
EOF

安全注意事项#

⚠️ 高危操作！

• 误操作可能影响真实桌面
• 建议先在虚拟机测试
• 使用 pyautogui.FAILSAFE = True（鼠标移到屏幕角落停止）
• 添加 PAUSE 延迟观察效果

适用场景#

✅ 适合：

• 桌面软件自动化（Office、专业软件）
• 游戏自动化
• 无 API 的老旧系统
• 跨应用工作流

❌ 不适合：

• 网页自动化（用 Playwright 更好）
• 需要视觉识别的复杂场景
• 高并发/生产环境

替代方案对比#

方案优点缺点pyautogui简单易用、跨平台慢、不精确、依赖屏幕分辨率xdotool快速、精确、Linux 原生只能模拟输入、不能截图Playwright快速、可靠、支持 JS仅限浏览器rdp + 远程真实人类操作成本高、需要真机

🎯 视觉模型驱动方案（推荐）#

核心思想#

用 Qwen3.5-27b 的 原生视觉能力 分析截图，直接返回操作建议：

text

截图 (scrot) → Qwen3.5-27b 分析 → 返回坐标/操作 → xdotool 执行

优势#

✅ 不需要 OCR - 直接理解界面布局和图标 ✅ 上下文感知 - 能理解"这个按钮是干什么的" ✅ 更准确 - 视觉模型比规则匹配更可靠 ✅ 更灵活 - 可以问复杂问题（"找到提交按钮"vs"点击坐标 300,200"）

示例代码#

python

import subprocess
import base64
import requests

# 1. 截图
subprocess.run(['scrot', '/tmp/screen.png'])

# 2. 转 Base64
with open('/tmp/screen.png', 'rb') as f:
    img_b64 = base64.b64encode(f.read()).decode()

# 3. 问视觉模型
prompt = """
分析屏幕截图，找到打卡按钮，返回坐标。
用 JSON 格式：{"action": "click", "x": 450, "y": 320, "description": "打卡按钮"}
"""

response = requests.post(
    "http://10.6.207.56:8000/v1/chat/completions",
    headers={"Authorization": "Bearer VLLM_API_KEY"},
    json={
        "model": "qwen3.5-27b",
        "messages": [{
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_b64}"}},
                {"type": "text", "text": prompt}
            ]
        }]
    }
)

result = response.json()['choices'][0]['message']['content']
print(result)  # 输出：{"action": "click", "x": 450, "y": 320}

# 4. 执行操作
import json
data = json.loads(result)
if data['action'] == 'click':
    subprocess.run(['xdotool', 'mousemove', str(data['x']), str(data['y'])])
    subprocess.run(['xdotool', 'click', '1'])

实际场景#

考勤系统打卡：

text

1. 截图当前屏幕
2. 问模型："找到打卡/签到按钮，返回坐标"
3. 模型返回：{"x": 512, "y": 400, "confidence": 0.95}
4. xdotool 点击该坐标
5. 截图验证是否成功

比传统方案强在哪里：

• 传统：需要预先知道按钮坐标，或 OCR 识别文字
• 视觉：直接"看"屏幕理解，自适应界面变化