企业官网建设流程全解析

OCRmyPDF 完全教程：3 条命令给扫描 PDF 加上可搜索的文字层

【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

如果你有一批扫描出来的 PDF，翻得动、却搜不到、复制不到一个字，OCRmyPDF 就是干这个的：它是一个免费开源的命令行工具，能把 OCR 文字层垫在扫描图像下面，让 PDF 重新变得可搜索、可复制。它保留原始图像分辨率，默认还输出 PDF/A-2b 存档格式，并在收尾时自动校验输入和输出文件的合法性。下面按"能装 → 能跑 → 会用参数"的顺序，带你走一遍。

从安装到第一次转换的最快路径

装好之后一条命令就能跑通，这条命令帮你完成的是"给扫描件加上文字层"这一件事。

# Debian / Ubuntu apt install ocrmypdf # macOS brew install ocrmypdf # 转换 ocrmypdf 扫描件.pdf 可搜索版.pdf

执行成功时，终端会依次显示扫描、OCR、转换、优化四个阶段的进度条，最后打印文件体积的压缩比例，并确认输出是符合预期的 PDF/A-2b 文件。

如果你手头只有 JPG、PNG 图片，直接把图片路径填进去，同样能得到带文字层的单页 PDF。另外，输入输出写同一个文件名可以原地处理——只有成功时文件才会被改写，失败时原件不动，适合胆大心细地批量刷旧档。

处理多语言文档时先装语言包

识别能力由 Tesseract 语言包提供，不指定时默认按英语（eng）识别，中文文档会因此识别得一塌糊涂。先把对应语言包装上，再用-l参数按 ISO 639-3 代码点明文档里的语言：

apt install tesseract-ocr-chi-sim ocrmypdf -l eng+chi_sim 双语资料.pdf 输出.pdf

四个最值得记住的参数

其余参数先不管，这四个覆盖了日常九成场景：

--jobs不用特意设置：程序默认就会把工作分派到所有 CPU 核心上，多核机器处理大批量文件时自然更快。

它适合谁，又在哪里会碰壁

先说边界。OCRmyPDF 基于 Tesseract，这套组合不识别手写体；双栏这类复杂版式的阅读顺序也可能被它读乱；扫描件本身糊，识别结果就糊，输入质量决定输出质量。对手写档案、或者需要逐字校对级精度的专业数字化工作，它只能作为初稿工具。

它真正对口的场景是：成百上千份扫描文档要归档入库、需要一份能放很多年不担心格式过时的存档件、扫描流程末端要自动接上 OCR，以及把它嵌进自己的脚本或文档管理系统里跑。后两种玩法项目里都有现成参考。

继续往下走的入口

• 官方文档目录：docs/
• 完整参数说明：docs/apiref.md
• 批量处理与"监听文件夹"方案：docs/batch.md，配套的现成脚本在 misc/batch.py
• 大文件提速技巧：docs/performance.md
• 输出体积偏大时：docs/optimizer.md

下一步可以拿一份你真实的扫描件跑一次基础命令，重点看终端末尾打印的体积优化比例和 PDF/A-2b 校验结果；如果输出明显偏大，再打开优化章节调整--optimize等级。

【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