OCRmyPDF实战一条命令扫描PDF变可搜索【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扫描完一箱合同打开 PDF 想按 CtrlF 找一条款名搜索框里什么都没搜到。原因不复杂扫描仪输出的是页面的图片文字在计算机眼里只是一堆像素搜不到属于正常现象。OCRmyPDF 干的事就是给这类扫描 PDF 补上文字层先用 Tesseract 识别每一页上的文字再把结果写进文件让文档变成可搜索的 PDF选中、复制、检索都能用了。它到底在做什么原理不复杂OCRmyPDF 把每一页渲染成图片交给 Tesseract 识别出文字再把识别结果作为一层透明的文字盖在原图下面。视觉上页面和原来一模一样但这层文字可以被选中、复制、搜索。原图保持不动文字层独立存在所以即便个别字识别错了也只影响复制出来的文本不影响页面外观。下面这张老式打字机文档的扫描件就是典型的输入对象字间距均匀、底色偏灰对识别引擎并不算友好。第一次跑通安装 OCRmyPDF 并出第一个结果三个平台都有现成的安装路径系统安装命令备注macOSbrew install ocrmypdfHomebrew 一条命令装好依赖自动带上Ubuntu/Debiansudo apt install ocrmypdf官方源直接可用版本可能略旧Windowspip install ocrmypdf需要事先单独安装 Tesseract 引擎更细的平台步骤可以看仓库里的安装文档。装好之后第一条命令长这样ocrmypdf input.pdf output.pdf跑完后用 PDF 阅读器打开输出文件用鼠标框选一段文字试试能选中、能复制、CtrlF 能搜到就说明文字层已经加上了。下面是它实际运行时的样子进度条走完最后一行会报告输出文件的类型和体积变化。中文文档 OCR 参数-l chi_simTesseract 识别什么语言取决于-l后面跟的语言代码中文简体用chi_simocrmypdf -l chi_sim 合同扫描件.pdf 可搜索合同.pdf中英混排的文档就写成engchi_sim用加号把语言代码连起来即可。完整语言列表见 docs/languages.md。有一个前提容易被忽略Tesseract 语言包要单独装不装的话中文页面只会识别出空白。装包命令一条就够apt install tesseract-ocr-chi-sim # macOS 用 brew install tesseract-lang扫描质量差处理慢进阶参数速查按问题找参数比记功能列表有用得多。页面有噪点、扫描时歪了--clean清理背景和杂点--deskew把页面转正两个一起用效果最好ocrmypdf --clean --deskew 旧扫描件.pdf 输出.pdf大文件处理太慢--jobs 4让四个 CPU 核心并行处理页数多的文档提速明显ocrmypdf --jobs 4 大文档.pdf 输出.pdf需要写入元数据标题、作者、关键字都可以直接带上归档前顺手补全ocrmypdf --title 项目报告 --author 张三 输入.pdf 输出.pdf页面明显倾斜超过 90 度时再加一个--rotate-pages让方向归位。谁在用它档案馆和图书馆做古籍、旧档数字化时它常被选作主力工具扫描文档加文本层之后馆内目录系统可以直接对文字建索引读者检索到的是精确到行的位置而不是第 37 页。默认输出符合 PDF/A 标准的可搜索 PDF这是为长期保存设计的归档格式入库后不必再折腾转格式。另一类典型用法是合同、发票的批量 OCR 处理仓库自带了一个批处理脚本把一整个文件夹的扫描件跑一遍配合 Paperless-ngx 这类文档管理工具文字层直接进索引库翻找发票金额、合同编号都变成了搜索框里的事。新手容易踩的坑⚠️ 第一个坑最常见识别结果是乱码或空白多半是 Tesseract 语言包没装中文先装tesseract-ocr-chi-simmacOS 装tesseract-lang装完重跑即可不用改其他参数。第二个坑是部分页面没有生成文字层默认情况下已有文本的页面会被跳过这通常不是错误但如果你就是想全部重跑加一个--force-ocr即可。第三个坑是输出文件体积暴涨、速度还变慢往往是--image-dpi设得太高把页面重新渲染成了超大图。一般 150 到 300 的区间就够用超过 600 基本是浪费。OCRmyPDF 做的事很集中给扫描 PDF 加一层可搜索、可选择的文字页面本身不动。建议先拿一份 10 页左右的小文档试跑把语言参数和预处理选项跑顺之后再去做整批文件。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考