OCRmyPDF 批量OCR指南：一个脚本处理整个文件夹的扫描PDF

OCRmyPDF 批量OCR指南一个脚本处理整个文件夹的扫描PDF【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF一个文件夹里塞了几百份扫描件逐份点开、导出、再手动跑 OCR这事没人受得了。OCRmyPDF 自带的 misc/batch.py 批处理脚本就是为这种场景写的递归扫目录、自动跳过已处理文件、备份原件、全程写日志把批量 OCR 变成一条命令的事。下面按一次真实批量任务的流程走一遍。它能替你干什么四项能力一张表跑批量之前先知道这个脚本兜底了哪些脏活能力说明递归找 PDF从指定目录开始**/*.pdf一层层往下找深层子目录里的文件不漏自动跳过已含文本或符合 PDF/A 的文件直接跳过避免重复处理备份原件处理前把原文件复制到备份目录出问题了随时回滚日志追踪每个文件的开始、跳过原因、结果都写入日志文件处理过程中控制台会滚动显示进度效果大致如下快速上手3 分钟跑通git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF cd OCRmyPDF python3 misc/batch.py三行命令克隆仓库、进目录、运行。不带参数时脚本处理当前目录下的所有 PDF。要处理别的目录把路径作为第一个参数传进去python3 misc/batch.py /path/to/你的pdf目录第二个参数可以指定日志文件路径不传就写默认位置。值得知道的细节备份、日志与 deskew脚本头部有几个变量直接决定它的行为打开 misc/batch.py 看一眼即可archive_dir /pdfbak # 备份目录改成 即关闭备份 start_dir Path(sys.argv[1]) if len(sys.argv) 1 else Path() log_file Path(sys.argv[2]) # 第二个参数默认 ocr-tree.log result ocrmypdf.ocr(filename, filename, deskewTrue)备份目录archive_dir默认是/pdfbak脚本会把原文件按相对路径复制进去。不想备份的话改成空字符串。备份前它会比对文件是否已存在避免反复拷贝。日志位置默认写在脚本旁边的ocr-tree.log以追加模式写入跑多少次都攒在同一个文件里。deskewTrue这是核心调用里唯一显式打开的开关作用是自动校正扫描件的倾斜。扫描歪了五度十度不校正在识别率上会掉一截批量场景下这个参数几乎必留。其余参数如language、optimize、force_ocr都走默认值。想加参数直接在ocrmypdf.ocr(...)那一行里补上即可API 全貌见 docs/apiref.md。谁适合用它文档检索类需求财务、法务手里成堆的发票、合同扫描件跑一遍就能用关键词直接搜到内容不用一页页翻。学术与档案场景论文扫描版、机构旧档案的数字化本质是同一个动作——给图片型 PDF 补上可搜索的文本层。不适合的只有一两个文件的情况直接用ocrmypdf命令行就行不必上脚本需要复杂工作流命名规则、按页拆分的再往下研究 docs/batch.md 和 API。处理失败先看这里常见坑速查现象解法跑得太慢调小jobs控制并发用image_dpi降低识别分辨率不需要的remove_background、rotate_pages别开日志里出现 Skipped document because it is encrypted加密 PDF 会被主动跳过先解密再放回目录重跑日志里出现 already contained text / digital signature / tagged脚本认为文件已含文本、带签名或已是结构化标签 PDF主动跳过属正常行为超大文件中途挂掉多半是内存不够拆成小批跑或减少jobs日志文件越来越大把logging.basicConfig的levellogging.INFO改成WARNING只留关键信息另注意一点脚本对异常是记一条、继续下一个的策略单个文件失败不会中断整批任务。所以跑完一定回看一遍日志别默认全绿。下一步先小后大建议拿三五个 PDF 放到独立目录试跑确认输出和备份都符合预期再放大范围。重点看两处ocr-tree.log里的跳过原因以及备份目录里原件是否完整。确认没问题后把目标目录参数换成真实路径挂后台跑就行——脚本本身没有重试机制失败的文件要手动挑出来再跑一轮。【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考