企业官网建设流程全解析

OCRmyPDF：一条命令免费把扫描 PDF 变成可搜索文档

【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

OCRmyPDF 是一款免费的命令行工具，它为扫描 PDF 添加 OCR 文本层，让原本只是图片的文档变得可搜索、可复制，同时保留原始分辨率。下面以"你会遇到哪些问题"为主线，把安装、中文识别、图像修复、批量处理和输出格式一次讲清楚。

先跑通这一条命令

整个工具的核心动作就是"输入一个 PDF，输出一个能搜索的 PDF"，中间的识别交给 Tesseract（一个开源 OCR 引擎）完成：

ocrmypdf scanned.pdf searchable.pdf

它不是把整页重新压成一张图再拼回去，而是只把识别出的文字"垫"在原图下方，版式和字体不动。所以复制粘贴出来的是真实文本，位置也和页面一致。

如果你手上还没有装，各平台都是一行命令的事：Debian/Ubuntu 用apt install ocrmypdf，macOS 用brew install ocrmypdf，Windows 在 WSL 里同样走apt。装完敲ocrmypdf --help能列出全部参数，比翻网页快。

它和"手动抠图再识别"差在哪

很多人会想到用 Ghostscript 或 ImageMagick 把 PDF 转成图片，再丢给 OCR 引擎，最后合并回 PDF。这条路有两个坑：一是图片被重新采样，细节丢失、体积反而变大；二是原 PDF 里的元数据、矢量内容、多色分区都可能被丢掉。

OCRmyPDF 的处理是"最小改动"——它先把页面栅格化给引擎识别，再把文本层塞回原文件，原图分辨率、已有文字、旋转信息都尽量原样保留。默认输出还是 PDF/A（一个 ISO 归档标准，专门保证文件多年后仍能正常打开），对需要长期存档的场景更稳妥。

中文、日文等多语言识别如何配置

识别哪种语言，取决于 Tesseract 的语言包有没有装、以及你告诉它去找哪些语言。Linux 上先装对应语言包，比如简体中文：

apt install tesseract-ocr-chi_sim

然后在命令里用-l提示它。中英混排的文档可以同时指定两种：

ocrmypdf -l eng+chi_sim 扫描件.pdf 可搜索.pdf

它依赖 Tesseract 4.1.1 及以上版本，会自动在PATH里找到的第一个可用版本，不用手动指定。

页面歪了、有污渍、方向不对怎么办

扫描件的常见问题都能用开关直接处理，加在命令里即可：

• --deskew校正倾斜
• --clean在识别前清理噪点污渍
• --rotate-pages把方向识别错乱的页面自动转回正确朝向

这些开关只在识别前生效，不会改动最终输出的图像质量；如果你希望清理后的版本也写进输出文件，可再加--clean-final。

大文件和一堆文件怎么处理

三个维度能明显提速或省事：

• 多核：加--jobs 4让四个核心并行处理页面，默认就会尽量用满 CPU。
• 只处理部分页：--pages 1-50只跑前 50 页，适合先抽样或分段处理上百页的文档，也顺带缓解内存压力。
• 批量：对目录里所有 PDF 循环处理即可；若文件多，官方 docs/batch.md 推荐用 GNU Parallel 做并发，比单文件循环更快。

for f in *.pdf; do ocrmypdf "$f" "out_$f"; done

输出格式与体积怎么调

默认输出 PDF/A-2b。如果你只想要普通 PDF（比如某些阅读器会弹 PDF/A 提示），加--output-type pdf即可。

体积方面，--optimize控制压缩强度，级别从 0 到 3：默认是 1（安全压缩），调到 3 压缩更狠、文件更小，但处理时间更长、且部分图像会转成有损 JPEG。具体各档的取舍可以看 docs/optimizer.md。

去哪里查更细的内容

仓库里的 docs/ 目录是完整文档，docs/introduction.md讲了它为什么不建议手动识别、docs/advanced.md收录了--unpaper-args这类精细控制、docs/plugins.md则是插件扩展的入口。遇到个别报错时，docs/errors.md能帮你快速定位。

【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