企业官网建设流程全解析

OCRmyPDF 进阶用法全解：unpaper 控制、OCR 引擎参数、光栅化/渲染器选择与 PDF/A 转换机制

【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

本篇基于 OCRmyPDF 官方文档 docs/advanced.md 展开，系统讲解该工具的高级功能体系：如何精细控制 unpaper 图像清洗、如何选择 OCR 处理模式（skip/force/redo）、如何调整 Tesseract 的超时、下采样、配置参数与页面分割模式、如何切换 PDF 光栅化器与文字层渲染器，以及 PDF/A 转换的完整决策流程、Ghostscript 深度调优、退出码策略与临时文件调试方法。读完后你可以针对扫描件的特殊场景（双面扫描、超大图、混合内容文档、CJK 字体问题等）配置出真正可复现、可排错的 OCRmyPDF 命令。

一、精细控制 unpaper 清洗行为

OCRmyPDF 通过unpaper实现--clean与--clean-final两个参数。unpaper 提供了一系列改善图像质量的前处理滤镜（对比度调整、去边框、倾斜校正等）。

默认策略偏保守：从源码 src/ocrmypdf/_exec/unpaper.py 可以看到，OCRmyPDF 在未收到自定义参数时，默认传给 unpaper 的是一组"安全"参数：

• --layout none（不假设版面）
• --mask-scan-size 100（不把窄列判为空白而涂掉）
• --no-border-align、--no-mask-center（不重排内容位置）
• --no-grayfilter、--no-blackfilter（不做灰度/黑块过滤）
• --no-deskew（不做倾斜校正）

这样做的理由是：这些参数在几乎任何文件上都不会破坏内容，无需逐页检查。尤其在只使用--clean（仅在 OCR 前清洗图像、不清洗最终页面图像）时更为稳妥。

使用--unpaper-args覆盖默认参数：如果你希望使用更激进的 unpaper 选项，可以用--unpaper-args '...'覆盖 OCRmyPDF 的默认值并转发其他参数。注意以下几点：

• 该选项不校验参数是否被 unpaper 认可，会原样转发；
• 参数字符串必须像示例一样整体加引号；
• 参数中不能包含文件名——OCRmyPDF 会自行在字符串末尾追加中间图像的输入/输出文件名；
• 源码中该选项经过shlex拆分后做安全校验，任何包含/、.、..的参数都会直接报错 "No filenames allowed in --unpaper-args"（见 src/ocrmypdf/_options.py）。运行层面还有三重防护：unpaper 的工作目录被设置为一个只含 unpaper 文件的临时目录、参数中禁用/、最后由 OCRmyPDF 追加绝对路径的输入/输出文件（见 src/ocrmypdf/_exec/unpaper.py），防止自定义参数意外覆盖其他文件。

双面扫描示例：当一页纸上扫描了书籍相对的两页时，可以告诉 unpaper 预期两个版面，它会分别对两半做倾斜校正并清理各自的页边：

ocrmypdf --clean --clean-final --unpaper-args '--layout double' input.pdf output.pdf ocrmypdf --clean --clean-final --unpaper-args '--layout double --no-noisefilter' input.pdf output.pdf

三条实用约束（文档原文警告与提示）：

1. 某些 unpaper 功能会重排图中文字位置，建议加--clean-final以避免最终图像与文字层错位；
2. 某些 unpaper 功能会消耗或产生多个输入/输出文件，而 OCRmyPDF 要求 unpaper 严格"读一个文件、产出一个文件"，不满足会报错；
3. unpaper 的中间文件是未压缩的 PBM/PGM/PPM 格式，大图或大文档会占用大量临时磁盘空间。

从源码结构看，还有一个未在文档中明说的限制：图像宽高之积达到256 * 1024 * 1024像素时，OCRmyPDF 会跳过 unpaper 清洗（记录警告并返回原图），而不是让 unpaper 崩溃（见 src/ocrmypdf/_exec/unpaper.py）。

二、OCR 处理模式：--mode与页面文本的三种处置策略

2.1 统一的--mode参数

从 17.0.0 起，--mode（-m）参数将 OCR 处理选项整合为单一入口，用于控制"已含文字的页面如何处理"：

# 跳过已经含有文字的页面 ocrmypdf --mode skip input.pdf output.pdf # 等价写法： ocrmypdf -m skip input.pdf output.pdf # 对所有页面强制 OCR（全部光栅化） ocrmypdf --mode force input.pdf output.pdf # 重新执行 OCR，替换旧的隐形文字层 ocrmypdf --mode redo input.pdf output.pdf

旧参数（--force-ocr、--skip-text、--redo-ocr）仍作为静默别名保留，保证向后兼容。

2.2 各模式的具体行为

默认模式（default）：如果 PDF 某页似乎已有文字，OCRmyPDF 默认不修改文件并退出（对应退出码 6），以避免对"已 OCR 过"或"原生电子版"文档做无意义的处理。

--mode skip：对已有文字的页面不做任何图像处理或 OCR，页面直接复制到输出。适合包含"电子版 + 扫描件"混合内容的文档，或者纯粹想用 OCRmyPDF 做规范化/转 PDF/A 的场景。

--mode redo：执行细致的文本分析，将文字分类为可见与不可见（OCR 层）。剥离不可见文字后，把可见文字做遮蔽处理，生成每页图像送 OCR，再将新识别的文字作为 OCR 层插入。若文档混合了文字与含文字的图片，OCRmyPDF 能在不破坏既有文字的前提下补全图片中的文字。注意一个边界：某些 PDF OCR 工具通过"先绘制再涂盖"的方式让文字在技术上保持可打印/可见，OCRmyPDF 无法将其与真实文字区分，因此不会"重做"这类文字。

--mode force：所有页面全部光栅化为图像，丢弃隐藏 OCR 文字、把可打印文字渲染进图像，并将表单域或交互式对象压平为视觉呈现。适用于重做 OCR、修复字符映射损坏的 OCR 文字（文字可选但搜不到）、以及彻底销毁已编辑（redact）的信息。

2.3 Tagged PDF 与结构标记

一些 PDF 带有逻辑结构树（/StructTreeRoot），即所谓 "Tagged PDF" 的标记，通常来自版面分析或原生电子版导出。默认情况下 OCRmyPDF 将其视为"文档可能不需要 OCR"的信号而退出，与遇到已有文字的行为一致。源码中对应异常为 TaggedPDFError，提示可用--force-ocr、--skip-text或--redo-ocr覆盖。

若确需处理此类文件，使用--tagged-pdf-mode ignore，或--mode skip/redo/force之一。

关于结构树的保留与丢弃，文档给出了明确结论：

• OCRmyPDF 无法根据新识别的文字重建结构树；
• --force-ocr光栅化页面、或--redo-ocr剥离并重写文字层后，结构树与页面内容不再对应，会被丢弃；
• --mode skip不改动文字页，结构标记得以保留。

注意：--mode skip下结构树能保留的前提是输出未转 PDF/A。PDF/A 转换由 Ghostscript 完成，Ghostscript 10.x 在转换时会丢弃结构树（9.x 则保留）。由于默认的--output-type auto可能回落到 Ghostscript，若需要确保 Tagged PDF 的结构标记存活，请使用--output-type pdf。更优的做法是安装 veraPDF，让"推测式 PDF/A 转换"在大多数真实场景中绕过该问题。

三、超时与图像尺寸限制

每页 OCR 超时：默认允许 Tesseract 每页运行 3 分钟（180 秒）。超时后该页被跳过并以无 OCR 的方式插入输出；若请求了预处理，则插入预处理后的图像层。从源码看，超时（TimeoutExpired）会被捕获并生成一个空的 hOCR 文件使流程继续，同时打印 "[tesseract] took too long to OCR - skipping"（见 src/ocrmypdf/_exec/tesseract.py）。

调整超时与超大图跳过阈值：

# 允许 OCR 运行 300 秒；跳过大于 50 百万像素的页面 ocrmypdf --tesseract-timeout 300 --skip-big 50 bigfile.pdf output.pdf

参考值：300 DPI、8.5×11 英寸的页面图像约 8.4 百万像素。

超大图像的下采样：Tesseract 对可处理图像尺寸有内部上限。默认启用--tesseract-downsample-large-images，OCRmyPDF 会自动下采样图像以适配 Tesseract 的限制。这类上限通常只在扫描超大介质（超过 110 cm / 43 英寸且高 DPI 的大图、蓝图等）时才会遇到，可用--no-tesseract-downsample-large-images关闭该功能。

--tesseract-downsample-above Npixels调整触发下采样的阈值；默认只在超过 Tesseract 内部限制（任一边 32767 像素）时才下采样。处理超大图像时还需把--tesseract-timeout调得足够大。只有送 OCR 的副本会被下采样，原图保留不变：

# 超大图像：允许 OCR 运行 600 秒 ocrmypdf --tesseract-timeout 600 \ --tesseract-downsample-large-images \ bigfile.pdf output.pdf # 最长边超过 5000 像素的图像下采样到 5000 像素 ocrmypdf --tesseract-timeout 120 \ --tesseract-downsample-large-images \ --tesseract-downsample-above 5000 \ bigfile.pdf output_downsampled_ocr.pdf

四、替换 Tesseract 与其他支持程序

4.1 替换 Tesseract 本体与相关环境变量

OCRmyPDF 在系统PATH中查找tesseract二进制。影响 Tesseract 行为的相关环境变量：

• TESSDATA_PREFIX：覆盖 Tesseract 数据文件路径，可借此同时安装 "best" 与 "fast" 训练数据集。OCRmyPDF 不管理此变量。特别提醒：如果把TESSDATA_PREFIX指向手工拼装的tessdata目录（例如从 tessdata_best 下载的.traineddata），必须同时包含configs/子目录及其中的hocr和txt配置文件——OCRmyPDF 依赖这两个配置；缺失时 Tesseract 不产生任何输出。源码会把 Tesseract 的 "read_params_file: Can't open" 日志提升为明确的TesseractConfigError（退出码 9），并给出排查提示（见 src/ocrmypdf/_exec/tesseract.py）。
• OMP_THREAD_LIMIT：控制 Tesseract 使用的线程数。若未预设，OCRmyPDF 会自行管理该环境变量——子进程调用时通过_tesseract_env()注入（见 src/ocrmypdf/_exec/tesseract.py）。

示例：使用开发版 Tesseract 而非系统安装：

env \ PATH=/home/user/src/tesseract/api:$PATH \ TESSDATA_PREFIX=/home/user/src/tesseract \ ocrmypdf input.pdf output.pdf

4.2 替换其他外部程序

除 Tesseract 外，OCRmyPDF 还依赖以下外部二进制：

• gs（Ghostscript）
• unpaper
• pngquant
• jbig2

它们均通过搜索PATH环境变量定位。修改PATH即可替换 OCRmyPDF 实际使用的任意一个程序。

五、修改 Tesseract 配置参数与页面分割模式

5.1 用配置文件覆盖 Tesseract 默认控制参数

Tesseract 的控制参数可以用配置文件覆盖。文档给出的示例是禁用当前语言的词典：词典通常有助于推断不清晰的词，但当文档中完整词很少（例如零件号列表）时反而干扰 OCR。

创建名为no-dict.cfg的文件，内容为：

load_system_dawg 0 language_model_penalty_non_dict_word 0 language_model_penalty_non_freq_dict_word 0

然后运行：

ocrmypdf --tesseract-config no-dict.cfg input.pdf output.pdf

警告：某些控制参数的组合会弄坏 Tesseract，或破坏 OCRmyPDF 对 Tesseract 输出的假设。

5.2 页面分割模式--tesseract-pagesegmode

--tesseract-pagesegmode Nmode把指定的页面分割模式（PSM）转发给 Tesseract，默认值为 3。当你知道 PDF 应当以特定方式分析时（例如页面只含单行文字），调整 PSM 可能改善结果；但对绝大多数用户，改变它只会让结果更差。

Tesseract 页面分割模式表（文档记载为 2024 年 6 月版本）：

模式 0、1、2、12 与 OCRmyPDF 不兼容——它们都启用方向与脚本检测（OSD），而 OCRmyPDF 是在 OCR 之外的独立步骤执行 OSD 的。使用这些模式可能干扰--rotate-pages等功能。这一点可以从源码印证：OCRmyPDF 的方向检测以--psm 0单独调用 Tesseract（见 get_orientation），倾斜检测以--psm 2单独调用（见 get_deskew）。

另外，当前通过 OCRmyPDF 调用 Tesseract 时，尚无法使用 Tesseract 的高级 OCR 功能（如创建 OCR 信息）。

六、选择 PDF 光栅化器（Rasterizer）

术语：rasterizing（光栅化）——把 PDF 页面转换为图像，供 OCR 处理。

17.0.0 起，OCRmyPDF 支持两种 PDF 光栅化器：

--rasterizer参数控制使用哪一个：

# 自动选择（默认）——pypdfium 可用时优先 ocrmypdf --rasterizer auto input.pdf output.pdf # 强制 pypdfium2 ocrmypdf --rasterizer pypdfium input.pdf output.pdf # 强制 Ghostscript ocrmypdf --rasterizer ghostscript input.pdf output.pdf

pypdfium2 是 pdfium（Google Chrome / Chromium 使用的 PDF 渲染库）的 Python 绑定，其输出通常与 Ghostscript 一致且性能更好。若未安装 pypdfium2 却指定了--rasterizer pypdfium，OCRmyPDF 会报错退出；安装方式为pip install pypdfium2。该检查实现在内置插件 src/ocrmypdf/builtin_plugins/pypdfium.py 中；从源码结构看，由于 pypdfium2 非线程安全，插件内部用锁串行化所有调用，以保证多线程 OCR 时的安全。

七、更换 PDF 渲染器（文字层生成器）

术语：rendering（渲染）——从其他数据（例如已有 PDF）创建新的 PDF。

OCRmyPDF 用 PDF 渲染器生成不可见的文字层，通过--pdf-renderer选择渲染器。默认auto会选择fpdf2（17.0.0 起 fpdf2 渲染器取代旧版 hOCR 渲染器成为默认）。

7.1fpdf2渲染器（默认，17.0.0 新增）

fpdf2 渲染器基于 fpdf2 库生成文字层，提供：

• 完整多语言支持，包括 RTL 语言（阿拉伯语、希伯来语、波斯语）；
• 与 OCR 边界框对齐的精确文字定位；
• 改进的 "Occulta" 无字形字体处理：零宽标记正确处理、双宽 CJK 字符尺寸正确；
• 直接以 OcrElement 树作为输入，无需 hOCR 中间格式。

文档将其列为所有安装环境的推荐选择。注意：某些工作负载下 fpdf2 渲染器可能比旧版 hocrtransform 渲染器略慢，这是持续优化中的方向。

两种渲染器（fpdf2 与 sandwich）的共同原理：渲染一个纯文字层，将其"三明治"式地叠加到原始 PDF 页面之上，或叠加到原始页面的新光栅化版本之上（使用--mode force时）。这样可以避免 PDF 信息丢失；如需彻底消除有损变换，可能还需关闭 PDF/A 转换与优化。

7.2sandwich渲染器

sandwich 渲染器使用 Tesseract 的纯文字 PDF 功能，产生一个以隐形文字排布 OCR 结果的 PDF 页面（源码中对应generate_pdf()，以-c textonly_pdf=1调用 Tesseract，见 src/ocrmypdf/_exec/tesseract.py）。

已知问题：Mozilla PDF.js 与 macOS Preview 等阅读器对其文字切分有缺陷，可能把多个词连在一起；也不支持从右向左字体（阿拉伯语、希伯来语、波斯语）；其输出不可编辑。该渲染器仅保留用于测试。当使用了--deskew等图像预处理时，原始 PDF 会被完整渲染成整页图像，OCR 层再覆盖其上。

7.3 旧版渲染器选项

hocr与hocrdebug渲染器选项已弃用，会自动重定向到fpdf2，并将在未来版本移除。

八、软性渲染错误与颜色转换策略

8.1--continue-on-soft-render-error（14.3.0 新增）

当某个页面无法光栅化/渲染时，该选项允许 OCRmyPDF 继续处理。适用于对格式不佳的 PDF 尽可能榨取 OCR 结果的场景——代价是你必须接受部分页面可能与输入在视觉上不一致、OCR 质量也可能不佳。

8.2--color-conversion-strategy（15.0.0 新增）

OCRmyPDF 用 Ghostscript 做 PDF 转 PDF/A，某些情况需要颜色转换。默认策略为LeaveColorUnchanged：尽可能保留原始颜色空间（少数罕见的颜色空间仍可能被转换）。文档扫描仪通常产出 sRGB 的 PDF，无需转换，因此默认策略合适。

反例场景：文档以 Separation 或 CMYK 颜色空间为专业印刷准备，文字被转成了曲线路径。此时可以改用--color-conversion-strategy指定其他策略，例如RGB。从源码看，当 Ghostscript 报告 DeviceN 颜色空间且替代空间不当时会抛出ColorConversionNeededError，提示改用RGB、CMYK或Gray之一，否则某些阅读器（如 Adobe Reader）中输出可能显示为空白（见 src/ocrmypdf/exceptions.py）。

九、Ghostscript 高级调优（17.5.0 新增）

OCRmyPDF 有意隐藏了大部分 Ghostscript 控制项，因为 Ghostscript 已是遗留代码路径：17+ 的推荐 PDF/A 管线使用 pypdfium2 光栅化器加 verapdf 校验推测式 PDF/A 输出，Ghostscript 仅作为"不经过它就无法合规"的 PDF 的回退手段。压缩输出 PDF 的受支持方式是 OCRmyPDF 自带的优化器（--optimize、--jpeg-quality、--png-quality等）：它对不同输入文件结果一致，并把 Ghostscript 隔离开，让它专注于以尽可能少的图像变换产出 PDF/A。

以下两个选项仅供希望直接调优 Ghostscript 中间 PDF/A 输出的高级用户使用；对大多数用户，优化器给出更可预测的结果。

9.1--ghostscript-jpeg-quality Q

设置 Ghostscript 的-dJPEGQ开关，作用于 Ghostscript 在构建 PDF/A 时选择重新压缩为 JPEG 的图像。Q=0请求最大压缩，Q=100请求最高质量；省略该参数时 OCRmyPDF 传95（历史默认值）。它只影响 Ghostscript 实际转码的图像——在现代 Ghostscript 版本上，已有的 JPEG 原样通过。做端到端的 JPEG 质量调优请优先用--jpeg-quality（由 OCRmyPDF 优化器实现，独立于 Ghostscript 的决策）。

注意：同时设置--ghostscript-jpeg-quality与--jpeg-quality可能导致 JPEG 双重重压缩（优化器可能重新编码 Ghostscript 已重压过的图像），以微妙方式损害质量。

9.2--ghostscript-jpeg-maxdpi DPI

启用 Ghostscript 的图像下采样，把彩色、灰度与单色图像的分辨率上限设为DPI。下采样阈值设为1.0，即有效 DPI 超过上限的图像都会被下采样。

文档明确建议：在相同压缩预算下，降低 JPEG 质量几乎总是比下采样更划算——400 DPI 的中低质量 JPEG 通常远比 200 DPI 的 JPEG 观感好，因为 JPEG 编码器可以把位"花"在关键处。下采样对"低分辨率彩色图 + 高分辨率单色蒙版"混合的 PDF 还有风险：限制蒙版分辨率会引入可见质量损失。因此除非确需强制硬 DPI 上限，应优先使用--jpeg-quality而非--ghostscript-jpeg-maxdpi。

示例：

ocrmypdf --output-type pdfa \ --ghostscript-jpeg-quality 80 \ --ghostscript-jpeg-maxdpi 150 \ in.pdf out.pdf

这两个选项仅在 Ghostscript 被调起来做 PDF/A 转换时生效（--output-type pdfa、pdfa-1、pdfa-2、pdfa-3，或--output-type auto回落到 Ghostscript 时）。

十、PDF/A 输出模式与推测式转换

10.1--output-type各模式（17.0.0 起默认为auto）

OCRmyPDF 可产出用于长期归档的 PDF/A 合规输出：

10.2 非嵌入字体与 PDF/A（17.8.0）

PDF/A 要求所有字体嵌入。若输入已有使用非嵌入 CID 字体的文字层——最常见的是 Adobe Acrobat 生成的 CJK（中日韩）OCR 层，依赖阅读器系统字体——Ghostscript 必须替换并重新嵌入替代字体以满足 PDF/A。对 CID（CJK）字体，这一替换通常会破坏字符到 Unicode 的映射：页面看起来正确，文字却悄悄变成乱码或无法搜索。

从 17.8.0 起，OCRmyPDF 拒绝产出这种损坏结果，并检测到该情况后：

• --output-type auto（默认）：改为产出普通 PDF 而非 PDF/A，原样保留既有文字层；
• 显式--output-type pdfa（或pdfa-1/pdfa-2/pdfa-3）：直接报错停止。

源码中对应NonEmbeddedFontsError，错误信息会列出有问题的字体名并给出两条出路（见 src/ocrmypdf/exceptions.py）：

• 保留既有文字层 → 使用--output-type pdf；
• 仍要 PDF/A → 用--force-ocr重做 OCR，丢弃原文字层并用嵌入字体重建。

字体已嵌入的文字层照常转 PDF/A。

10.3 推测式 PDF/A 转换（17.0.0 新增）

使用--output-type auto（默认）时，OCRmyPDF 会先尝试一条避开 Ghostscript 的快速"推测式"转换：

1. 用 pikepdf 添加 sRGB ICC profile 与 PDF/A XMP 元数据；
2. 若有 verapdf，则校验结果；
3. 校验通过则完全跳过 Ghostscript；
4. 校验失败或无 verapdf 则回落到 Ghostscript。

该快速路径可避开部分 Ghostscript 限制（如图像转码），只要它能产出有效 PDF/A 就会被使用。当无法做到时（例如未安装 veraPDF，或输入确实需要实质性转换），auto回落到 Ghostscript，仍按默认产出 PDF/A，与 16 及更早版本的行为一致。若连 Ghostscript 也无法安全产出 PDF/A，auto输出普通 PDF 而非失败。

源码中该函数为 speculative_pdfa_conversion：创建输入 PDF 副本，添加 sRGB OutputIntent 与 PDF/A 一致性 XMP 元数据后保存。文档同时注明它不做颜色转换、字体嵌入等 Ghostscript 才做的实质变换。

10.4 PDF/A 转换决策流程

破坏性变更警告：若 Ghostscript 与 verapdf 都未安装，--output-type auto将产出标准 PDF 而非 PDF/A。这与早期版本"Ghostscript 必需、总是产出 PDF/A"的行为不同。

十一、返回码策略与标准流约定

OCRmyPDF 把所有消息写到stderr；stdout保留用于管道输出文件，stdin保留用于管道输入文件。

退出码被视为稳定用户接口的一部分，可从ocrmypdf.exceptions导入（源码定义见 src/ocrmypdf/exceptions.py 的ExitCode枚举）：

十二、修改临时存储位置

OCRmyPDF 处理过程中会生成大量临时文件。修改 OCRmyPDF 运行环境中的TMPDIR环境变量即可改变临时文件位置（Python 的tempfile.gettempdir()返回临时文件的根目录）。例如把TMPDIR指向一块大容量 RAM 盘，可避免对 HDD/SSD 的磨损并可能提升性能。Windows 上使用TEMP环境变量代替。

十三、调试中间文件：--keep-temporary-files

正常情况下 OCRmyPDF 把中间结果存到临时目录，退出时（无论成败）删除。加上--keep-temporary-files（-k）参数后，临时目录会被保留并打印位置（无论成败），示例输出：

Temporary working files retained at: /tmp/ocrmypdf.io.u20wpz07

以 snap 方式启动时，对应 snap 文件系统内的路径，例如/tmp/snap-private-tmp/snap.ocrmypdf/tmp/ocrmypdf.io.u20wpz07。

目录组织属于实现细节、可能随版本变化，但总体规则是：按页组织的工作文件以页码为前缀（从 1 开始），中段表示处理阶段，后缀表示文件类型。重要文件速查：

• _rasterize.png—— 输入页面的光栅化样子；
• _ocr.png—— 送 Tesseract 做 OCR 的文件，视参数可能与展示图像不同；
• _pp_deskew.png—— 倾斜校正后的图像；
• _pp_clean.png—— unpaper 清洗后的图像；
• _ocr_hocr.pdf—— OCR 文件，表现为带隐形文字的空白页；
• _ocr_hocr.txt—— OCR 文本（混合格式页面未必包含页上全部文字）；
• fix_docinfo.pdf—— 用于修复 PDF DocumentInfo 结构的临时文件；
• graft_layers.pdf—— 已嫁接 OCR 层的渲染 PDF；
• pdfa.pdf—— 转 PDF/A 后的graft_layers.pdf；
• pdfa.ps—— Ghostscript PDF/A 转换用的 PostScript 文件；
• optimize.pdf/optimize.out.pdf—— 优化前 / 优化后的 PDF；
• origin—— 输入文件；
• origin.pdf—— 输入文件，或输入图像转成的 PDF；
• images/*—— 优化过程中提取的图像，此处前缀是 PDF 对象 ID 而非页码。

小结

docs/advanced.md覆盖了 OCRmyPDF 从"能用"到"用好"的关键调节面：用--unpaper-args匹配特殊扫描件（双面、去噪）、用--mode三选一处理既有文字、用超时/下采样参数驯服超大图、用TESSDATA_PREFIX与--tesseract-config定制识别行为、用--rasterizer与--pdf-renderer选择底层实现、用--output-type auto的新决策树在"PDF/A 合规"与"保留原始信息"之间取得平衡。配合退出码策略与--keep-temporary-files，脚本化批处理和故障排查都有了明确抓手。所有参数行为均可在当前仓库的 src/ocrmypdf/_options.py、src/ocrmypdf/_exec/ 与 src/ocrmypdf/pdfa.py 中得到印证。

【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