OCRmyPDF 入门指南：5 分钟给扫描版 PDF 加上可搜索的文本层

OCRmyPDF 入门指南5 分钟给扫描版 PDF 加上可搜索的文本层【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你一定收过这种 PDF标题写着合同.pdf双击打开却搜不到任何一个关键词鼠标拖选也选不出一个字——因为整份文件只是一堆扫描出来的图片。OCRmyPDF 是一个命令行工具它给这种纯图片PDF 自动加上一层不可见但可搜索、可复制的 OCR 文本层。适合所有需要整理扫描文档的人以及想把 OCR 嵌进自动化流程的开发者。 OCRmyPDF 是什么对原文件做最小手术一句话讲清它的价值用 Tesseract OCR 引擎识别每一页扫描件上的文字再把识别结果作为文本层写回原来的 PDF。原来的图片不会被替换文字是藏在图片下面的所以外观不变、复制粘贴时能取出正确的字符。和自己零散拼栅格化页面 → 跑 Tesseract → 重新拼 PDF相比差别很大用 Ghostscript 或 ImageMagick 重建 PDF 会产出一个全新文件元数据、原始分辨率、矢量内容都可能丢失文件体积还容易膨胀。OCRmyPDF 只修改原文件最少的一部分纯图片页面可以无损写回 OCR 结果混合内容扫描件夹着数字文本甚至损坏的 PDF 也替你处理好了还能识别 Tesseract 支持的 100 多种语言。⏱ 5 分钟上手安装并跑通第一次 OCR系统包管理器是最快的路子Debian/Ubuntu 用sudo apt install ocrmypdfmacOS 用brew install ocrmypdf其余环境见安装文档。然后只要给它两个文件名——输入和输出# 输出默认是 PDF/A-2b面向长期归档的格式 ocrmypdf input_scanned.pdf output_searchable.pdf命令无报错结束用 PDF 阅读器打开输出文件页面上的任何词都能被搜到、被复制。这就是跑通的最短路径两个文件名进去一份可搜索的 PDF 出来。终端里会看到扫描、OCR、图片压缩等各阶段的并行进度 核心能力拆解哪几块值得知道文本层对齐复制粘贴才是硬指标很多 OCR 工具的通病是文字错位——识别出的文本和图片对不上复制出来就是乱序。OCRmyPDF 按图片中的实际位置排布文字并垫在图片下方整段复制时保持阅读顺序。场景你要从一份 100 页的扫描件里引用其中一段话直接选中复制进文档不用手敲。PDF/A 默认输出为长期存档而生默认产出 PDF/A-2b字体和必要资源全部内嵌不依赖外部组件多年后打开依然一致这也是很多政府、法院要求扫描档案使用的格式。场景归档合同前跑一遍 OCRmyPDF同时得到可搜索和可存档两件事只要普通 PDF 的话用--output-type pdf关掉它即可。图像预处理--deskew 一条命令扶正歪斜页面扫描仪喂进去的纸常常歪几个角度这会直接拉低识别率。--deskew自动检测并纠正倾斜角--rotate-pages还能处理整页被转成 90 度的情况。场景一摞老平板扫描仪的产物加上这两个参数识别准确率会有明显提升。多语言文档-l engfra 处理混排用-l参数告诉它文档语言ISO 639-3 代码可以一次列多种前提是系统装了对应的 Tesseract 语言包。场景一份英法双语合同ocrmypdf -l engfra input.pdf output.pdf一次覆盖两种语言不需要跑两遍。 融入你的工作流从单文件到自动文件夹本地单文件是最基础形态。ocrmypdf myfile.pdf myfile.pdf输入输出同名表示原地处理只有成功时才重写文件中途出错你的原件毫发无损。批量归档时推荐用 GNU Parallel 并行跑批处理文档里有现成配方# 限 2 个并行任务把当前目录所有 PDF 写入 output/ parallel --tag -j 2 ocrmypdf {} output/{} ::: *.pdf持续自动化仓库自带文件夹监听器 watcher.py输入目录指向扫描机的落盘位置新扫描件一出现就被 OCR、写入输出目录并归档原件——相当于一个热文件夹版的流水线文件进、结果出不用人守着。env OCR_INPUT_DIRECTORY/mnt/input-pdfs \ OCR_OUTPUT_DIRECTORY/mnt/output-pdfs \ OCR_DESKEW1 \ python3 watcher.py❓ 常见问题与取舍Q识别结果会误报吗准确率取决于 Tesseract 引擎和扫描质量。清晰的打印件通常很好手写完全不支持模糊件可能输出乱码。效果差时先改善扫描或加--deskew想要更强的引擎可以通过插件系统替换 OCR 引擎社区有 AppleOCR、PaddleOCR 等。Q文件会变更大吗PDF/A 转换会内嵌资源文件可能比输入大但 OCRmyPDF 同时优化压缩图片输出经常比输入更小压缩率会直接打在终端里。不追求归档就用--output-type pdf更紧凑。Q存量几千份扫描件迁移成本高吗本质就是把文件指给它跑。它能处理数千页、跳过已有文本层的页面不会重复 OCR损坏的 PDF 也会先自动修复。建议先拿几十份试跑确认效果再并行处理全量。Q中文文档能识别吗能。用-l chi_sim简体或chi_tra繁体指定语言并先装对应语言包中英混排可用-l chi_simeng。 延伸阅读下一步做什么完整选项参考官方文档进阶调参看高级特性想把它当 Python 库而不是命令行用读API 文档。如果你手边正有一堆旧扫描件最直接的一步是打开批处理指南照着自己的目录写一条 parallel 命令——今晚就能把这批文档全部变成可搜索的。【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