企业官网建设流程全解析

如何用 OCRmyPDF 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

OCRmyPDF 在本地对扫描 PDF 做 OCR：原图一字不动，只在下面垫一层隐藏文字，文件从此能搜索、能复制。免费开源，文件不用上传到任何服务器，几十份扫描件一次跑完。这篇带你从装好、跑通第一条命令，讲到最常用的参数和常见报错。

什么情况下用它

• 文件夹里一堆扫描件，合同、发票只能看不能搜。过一遍 OCRmyPDF 后，每页多出一层文字，PDF 阅读器里Ctrl+F能直接命中关键词。
• 扫描的论文或旧书动辄两三百页。它默认把全部 CPU 核心拿去并行，厚书一次跑完，不用一页页手动处理。
• 文件里图片页和文字页混排。加--skip-text，已有文字层的页原样保留，只对纯图像页做识别。

安装并跑通第一条命令

pip install ocrmypdf # Windows，需先装 Tesseract 和 Ghostscript brew install ocrmypdf # macOS apt install ocrmypdf # Debian / Ubuntu

装完直接跑最短的一条：

ocrmypdf 扫描件.pdf 可搜索.pdf

验证方法：用 PDF 阅读器打开可搜索.pdf，按Ctrl+F输入一个页面里确定有的词，能命中、选中能复制，说明文字层加上了。输出默认是 PDF/A 归档格式，适合长期保存。

高频参数

告诉它识别语言。默认按英文识别，文档不是英文就该换，否则准确率掉得很快。

ocrmypdf -l eng+deu 德文笔记.pdf 德文笔记_可搜索.pdf

识别出的文字改用对应语言模型，德文的 ü、ß 不再变成乱码。

只处理部分页面。几百页的文件只需要其中几节，用页码范围限定。

ocrmypdf --pages 4-25 大文档.pdf 大文档_部分.pdf

输出里只剩第 4 到 25 页，识别耗时和内存占用同步降下来。

重做已有文字的页面。页面本来带文字层但识别不准时，强制重新识别。

ocrmypdf --force-ocr 重扫.pdf 重扫_可搜索.pdf

旧的隐藏文字被抹掉，整页重绘成图像再识别一遍，得到全新的文字层。

压缩输出。发现输出比输入还大时，打开图像压缩。

ocrmypdf --optimize 2 扫描件.pdf 扫描件_更小.pdf

图像被重新编码，文件体积变小，高分辨率扫描件差几倍都正常。

组合实战 📚

一本旧书扫描件：有的页转了方向，多数页轻微歪斜，还有阴影，繁体中文里混着英文。一条命令全处理掉：

ocrmypdf -l chi_tra+eng --rotate-pages --deskew --clean-final -j 8 --optimize 2 旧书.pdf 旧书_可搜索.pdf

每个参数的分工：

• -l chi_tra+eng：语言包告诉引擎书里两种语言并存
• --rotate-pages：把转了 90° 或 180° 的页自动摆正
• --deskew：修正小幅歪斜
• --clean-final：去噪去阴影，清洁后的图像替换原页
• -j 8：8 个核心并行，300 页的厚书省一半以上时间
• --optimize 2：压缩图像，输出不至于膨胀

注意--deskew和--clean-final依赖 unpaper 程序，没装会报错，见下一节。

遇到问题先查这里 🛠

问：报错提示找不到chi_tra语言包。答：对应的 Tesseract 语言包没装。Debian/Ubuntu 执行apt-get install tesseract-ocr-chi-tra；macOS 执行brew install tesseract-lang。

问：出现 "PDF contains text"，拒绝处理。答：默认行为是不碰已有文字层的页面。加--skip-text跳过这类页继续，或者用--force-ocr全部重新识别。

问：--clean-final报错说缺少 unpaper。答：去噪环节依赖 unpaper 这个外部程序，先执行apt install unpaper装好再重跑。

问：输出文件比输入大。答：文字层是额外加上的内容，图像默认无损编码。加--optimize 3压缩更狠；系统里装了 pngquant、jbig2enc 还会更小。

第一条命令跑通之后，剩下的活就是按文档情况往后面加参数。完整参数清单在 docs/advanced.md，上面几种报错的来龙去脉可以在 docs/errors.md 里逐条对照。

【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