Umi-OCR 离线OCR识别完全上手指南：从第一张截图到批量PDF处理

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

如果你受够了"打开在线OCR网站→上传图片→等待→复制结果→被限制次数"，那么这款免费、开源、离线运行的 OCR识别 工具，很可能是你期待已久的答案。本文的主角 Umi-OCR 不需要联网、不需要注册、解压即用，内置多国语言识别库，还能一口气处理几百张图片甚至整本扫描版PDF。接下来，我会用"先讲是什么、再教怎么用、最后说何时用"的思路，带你从零开始掌握这套完整工作流。

为什么要专门写一篇入门指南

先看一组反常识的事实：很多朋友的电脑里其实已经装了截图工具，但截图之后文字还是要靠手敲；也有人下载过"万能OCR软件"，打开却发现要么收费、要么必须联网、要么识别出来乱七八糟。Umi-OCR 想解决的，正是这三个最常见的痛点——免费、离线、准确。它不是一个只能截屏的小工具，而是一整套可扩展的 OCR识别 工作台：截图识别、批量识别、PDF文档识别、二维码扫描与生成，全部集成在同一个绿色软件里。

三分钟认识这个"三合一"工作台

Umi-OCR v2 的界面由多个标签页组成，你可以像浏览器一样自由开关、排列它们。真正需要记的只有四个：

小提示：软件支持 Windows 7 x64 与 Linux x64，下载.7z或.7z.exe自解压包，解压后双击Umi-OCR.exe即可启动，全程不需要安装向导。

第一个实操：30秒完成一次截图识别

这是你上手最快的一个场景。切换到"截图OCR"标签页，默认截图快捷键就能唤起取景框；框选屏幕上任何区域，松开鼠标，右侧立刻出现识别结果，左下角还会显示置信度。

几个立刻能用的操作：

• 划选复制：在左侧预览图或右侧识别结果上，直接用鼠标划选文字复制，不用逐行手抄。
• 粘贴识别：在别处复制了图片（比如微信聊天截图），回到 Umi-OCR 直接 Ctrl+V 粘贴就能识别。
• 文字叠加：识别出的文本会以半透明方式叠加在原图上，方便你核对哪句对应哪块，发现错误点一下就能改。

识别结果怎么排版，取决于"排版解析方案"。大多数场景选默认的多栏-按自然段换行即可；如果是代码截图，务必切换到单栏-保留缩进，否则缩进和空格会丢失。

批量处理的高效姿势：几百张图一次搞定

当图片多到一张张截屏不现实时，"批量OCR"标签页就是主力。它支持jpg/png/webp/bmp/tif等常见格式，没有数量上限，拖入整个文件夹也可以，任务完成后还能自动关机。

这里有一个普通用户很容易忽略、但实战价值极高的功能——忽略区域：

• 很多截图或扫描件带水印、页眉、页脚、LOGO，如果让 OCR识别 去"读"这些干扰元素，结果会混进大量垃圾文字。
• 在右栏设置中打开"忽略区域"编辑器，按住鼠标右键框选干扰区，任务执行时这些区域内的文字会被整体跳过。

注意一个细节：忽略区域按"文本块"生效，而不是按单个字符。所以框选时宁可画大一点，把水印所有可能出现的位置都包住，效果才稳定。

输出的保存格式支持txt、jsonl、md、csv。给个选择建议：要写报告选 md，要丢进 Excel 选 csv，要做数据分析选 jsonl。

进阶玩法：让扫描版PDF开口说话

这是 Umi-OCR 最能体现"降维打击"的地方。普通的 PDF 查看器只能看不能选字，而"文档识别"标签页支持pdf / xps / epub / mobi / fb2 / cbz六种格式，输出物可以是普通文本，也可以是双层可搜索PDF——视觉上保持原排版，底层埋了识别出的文字，以后在任意阅读器里都能直接搜索、复制。

处理扫描件时，有一个必须理解的参数：内容提取模式，它决定了"一页里既有图片又有文本"时怎么办：

其他实用参数一并介绍：页数范围可以写成1-5,10-15只处理指定页；密码选项支持带加密的文档；忽略区域同样适用于 PDF，批量处理学术论文时用来排除统一格式的页眉页脚非常顺手。

给程序员的礼物：命令行与HTTP接口

如果上面这些界面操作还不够，Umi-OCR 还开放了完整的命令行与 HTTP 接口，方便你把它嵌进自动化脚本。

命令行示例（Umi-OCR.exe是程序入口，也支持umi-ocr简写）：

# 鼠标截屏并识别 umi-ocr --screenshot # 识别指定图片/文件夹，结果输出到文件 umi-ocr --path "D:/scans" --output "result.txt" # 识别二维码图片 umi-ocr --qrcode_read "D:/qrcode.png" # 生成一个二维码图片 umi-ocr --qrcode_create "https://example.com" "D:/code.png" 256

命令行依赖本地 HTTP 服务进行进程间通信，默认在全局设置中已开启（主机选"仅本地"即可，不会暴露到局域网外）。

HTTP 接口的典型流程是"上传文件 → 轮询任务状态 → 下载结果"，默认端口1224。用 Python 调用图片识别只需几行：

import base64, requests with open("test.png", "rb") as f: img_b64 = base64.b64encode(f.read()).decode() res = requests.post( "http://127.0.0.1:1224/api/ocr", json={"base64": img_b64, "ocr.language": "models/config_chinese.txt"}, ) print(res.json()["data"])

完整的接口与参数说明见 docs/http/README.md 和 docs/README_CLI.md，仓库里还附带了可直接运行的 api_doc_demo.py 示例。

识别质量调优：把准确率从"够用"拉到"好用"

同样的图片，参数不同，识别结果可能天差地别。三个关键旋钮值得记住：

实操经验三条：

1. 扫描件发虚时，先在外部工具里做一次锐化+提对比度，往往比盲目调高图像边长更有效。
2. 纯英文文档就切英文模型，中日混排再选多语言模型，别让引擎"猜"语言。
3. 输出jsonl格式的结果里带置信度字段，批量处理完可以按置信度排序，只人工复核低分项，省时又精准。

常见问题与避坑盘点

Q：识别速度很慢，怎么办？A：优先把"限制图像边长"从2880降到960，并把并行任务数调到与内存匹配的值。识别精度损失通常很小，速度却能提升好几倍。

Q：截图时界面闪烁、UI错位？A：这是渲染器兼容性问题，到"全局设置 → 界面和外观 → 渲染器"换一种渲染方案，或关闭硬件加速。

Q：想换界面语言或主题？A：同样在全局设置里改。"语言/Language"支持简体中文、繁体中文、英文、日文、俄语等多种界面语言，主题有多套亮/暗可选。

Q：中英文界面切换后找不到设置项？A：先记住固定位置——"全局设置"标签页永远在最右，设置项顺序不随语言变化。

Q：批量任务中途断电了？A：v2.1.2 起支持"暂停任务"，只要软件不退出，休眠唤醒后可以继续；但进程被杀就没法恢复了，长任务建议分小批次跑。

动手试试，然后把它变成日常习惯

回顾一下全文的三个关键点：

1. 三合一：截图、批量、PDF 三大 OCR识别 场景都在这一个免费离线软件里，不用再装一堆工具。
2. 两个王牌功能：忽略区域帮你踢掉水印干扰，双层PDF让扫描件变得可搜索。
3. 可编程：命令行与 HTTP 接口让 OCR 能力可以嵌入你自己的脚本和工作流。

今天的建议很简单：下载后先截一次屏感受速度，再拖一个真实文件夹进去跑一遍批量任务，最后找一份扫描版 PDF 试试双层导出。等你熟悉了这四个标签页，很多曾经要"手动打字"的活儿，都可以放心交给它了。

版本更新与历史功能清单可以参考 CHANGE_LOG.md，遇到问题还可以在项目 Issues 中反馈。希望这篇指南能帮你真正用起来，把省下的时间花在更有价值的事情上。

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR