企业官网建设流程全解析

OCRmyPDF：给扫描PDF加文本层的完整指南，3步让文件可搜索

【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 是一个免费的命令行工具，专门做一件事：给扫描版 PDF 加上一层 OCR（光学字符识别，即把图片里的字"读"成文字）文本，让原本只能看、不能搜的扫描件变成可以搜索、可以复制粘贴的文档。它基于 Python 编写，依赖 Tesseract 引擎，支持 100 多种语言，适合个人文档管理者和批量处理扫描件的开发者。本文按安装、上手、实战、进阶四条线走一遍 OCR 处理扫描 PDF 的完整流程。

上图是它在终端里跑一次真实任务的完整输出：先并发扫描 8 页，再逐页 OCR，最后压缩优化图像，并报告输出文件是符合预期的 PDF/A-2B 格式。整个过程没有任何交互，跑完就结束，这种"喂文件进、拿文件出"的形态正是它能被写进脚本的原因。

为什么它比常见 OCR 方案省心

很多做 PDF 文本识别的开源工具都有几个通病：识别出的文字位置对不上图片，复制出来是乱序的；处理过程中把图片分辨率改掉了；或者输出的 PDF 本身不合法。OCRmyPDF 的作者正是因为市面上没有满意的工具才写了它，README 里把这几条列得很直白。

它的几个关键做法值得单独说：

• 文字放在图片"底下"：识别出的文字按原始坐标精确贴在对应位置，所以复制出来的顺序和排版一致，不会出现整段错位
• 默认输出 PDF/A：这是 ISO 标准的归档格式，要求字体等资源全部内嵌，适合长期保存，很多法院和档案馆也指定用它
• 输出经过验证：输入和输出文件都会做合法性检查，失败时不会给你留一个坏文件
• 默认用满所有 CPU 核心，几千页的大文件也能正常跑

还有一条隐私上的好处：它是纯本地运行，文档不会上传到任何在线服务。

安装 OCRmyPDF：各系统一条命令

OCRmyPDF 支持 Linux、macOS、Windows 和 FreeBSD，各平台都装好了现成包，不用自己从源码编译：

brew install ocrmypdf # macOS apt install ocrmypdf # Debian / Ubuntu

装好后运行ocrmypdf --help能看到全部参数说明，这是它内置的"文档"，比翻网页快。

提示：OCRmyPDF 本身是 Python 包，但识别工作交给外部的 Tesseract 引擎。中文文档请先装好语言包，例如 Debian 上用apt-get install tesseract-ocr-chi-sim，否则-l chi_sim会找不到对应语言。

快速上手：一条命令完成第一次 OCR

最小用法就是"输入文件 输出文件"两个参数：

ocrmypdf 扫描文档.pdf 可搜索.pdf

它读取左侧扫描件，把识别出的文字作为透明文本层叠在图像下方，输出右侧文件。你可以打开输出文件验证三件事：

1. 用 PDF 阅读器全选复制一段文字，看内容是否和排版顺序一致
2. 在搜索框里输入文中某个词，确认能搜到
3. 跑的过程中终端会显示进度条，结束时报告"Output file is a PDF/A-2B"之类的验证结果

真实用法：三种最常见的场景

扫描件斜了、有噪点。扫描仪出的页面经常整体歪掉几度，文字发虚。在命令里加上--deskew --clean两个参数就行：前者自动检测倾斜角度并校正，后者调用 unpaper 做去噪和边缘清理。处理完的页面是正的，文字也干净，OCR 准确率自然比直接识别歪图高。

只有图片，没有 PDF。手机拍的票据、照片格式的资料，直接把图片文件名当输入即可，它会把 JPG、PNG 转成单页 PDF 再走 OCR 流程。ocrmypdf 照片.jpg 输出.pdf一条命令完成，不需要先手动转格式。

批量处理一个文件夹。文档多到手动跑不过来时，社区推荐用 GNU Parallel 配合它（详见 docs/batch.md），比如parallel --tag -j 2 ocrmypdf '{}' 'output/{}' ::: *.pdf，同时跑两份文件、逐份输出到 output 目录，--tag让报错信息带上文件名，方便定位是哪个文件出问题。OCRmyPDF 内部本身也会用满多核，所以外层一般只开少量并发，避免把机器塞满。

进阶：几个真正用得上的参数

• -l指定语言：混合语料用加号连接多个语言码，如-l eng+chi_sim。它只是给 Tesseract 一个"往哪些语言上猜"的提示，装了对应语言包才能生效
• --sidecar导出纯文本：在生成可搜索 PDF 的同时把识别出的文字写成 txt 文件，方便直接拿去校对或做全文检索
• --mode控制已有文字页面的处理方式：默认遇到带文字的页面会直接报错退出（防止重复处理）。--mode skip表示跳过这些页只处理扫描页，--mode redo会剥掉旧的文本层重新识别，适合"上次识别得不准、想重来"的情况
• --title/--author写元数据：顺手给输出文件填上标题和作者，归档时少一步手工操作

参数之间也有搭配讲究，比如--mode redo目前不能和--deskew、--clean-final同时用，遇到冲突它会直接报错提示，不会闷头跑错。

小结

OCRmyPDF 把"扫描件能搜、能复制、能长期存"这三件事合成了一条命令：本地运行、输出带验证、默认 PDF/A，新手跑通第一条命令后，剩下的就是按场景挑参数的过程。更多选项和背景知识可以看官方文档目录下的 docs/introduction.md（介绍工作原理）和 docs/advanced.md（进阶参数详解）。

【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