企业官网建设流程全解析

OCRmyPDF完整指南：一条命令为扫描PDF添加可搜索文本层

【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 是一个免费开源的命令行工具，作用是对扫描版 PDF 做 OCR 识别，并把结果作为隐藏文本层写回文件，使原本只能"看"的扫描件变成可以搜索、复制、做全文索引的文档。原图完整保留，输出默认是经过校验的 PDF/A 归档格式。如果你经常处理扫描合同、档案资料或纸质文档的数字化，这份指南按"从装好到跑通，再到处理疑难文件"的顺序说明它怎么用。

它接受什么输入，产出什么文件？

一句话概括它的产出：外观和扫描件一模一样，但在文字下面多了一层肉眼不可见、可以被选中的真实文字。

图：一份典型的扫描纸质文档，处理后即可在其中搜索关键词。

最快怎么安装，第一条命令怎么写？

各系统都有一条安装命令，装完即可直接使用：

更细的环境差异（Docker、离线安装等）可查安装文档。

装好后，最小可用的命令只有两个参数：

ocrmypdf scanned.pdf searchable.pdf

第一个是输入，第二个是输出。运行期间它会先渲染页面、再逐页调用 Tesseract 识别，完成后输出文件就能在 PDF 阅读器里搜索了。

中英文混排或多语言文档能识别吗？

可以。语言通过-l参数指定，多种语言用加号拼接；可识别的语言数量取决于 Tesseract 语言包，覆盖一百种以上语言，语言包的安装方法见语言包说明。

ocrmypdf -l eng+fra --sidecar out.txt in.pdf out.pdf

上面这条命令做两件事：按英法混排模式识别；同时用--sidecar额外导出一份纯文本文件，方便直接交给后续脚本做检索或分析。

图：一份荷兰语打字机文档，属于多语言识别的常见输入类型。

页面歪斜、方向转了、背景发脏怎么办？

这类问题在扫描件里非常常见，对应四个参数：

ocrmypdf --deskew --rotate-pages in.pdf out.pdf

原理上一句话带过：deskew 依据文本行的角度估计来计算旋转量，识别引擎是 Tesseract，图像预清理由 unpaper 完成。

一整批文件怎么批量处理？

在放满 PDF 的目录里，一条 for 循环就够了：

for f in *.pdf; do ocrmypdf --deskew "$f" "ocr_$f"; done

补充两个与批量场景相关的参数：--jobs N指定并行工作进程数，不写时默认用满 CPU 核心；--optimize N（N 取 1 到 3）在识别后压缩图像，数值越大文件越小、画质损失越大。多页大文件会按页并行处理，进度条会实时显示各阶段状态。

图：实际运行截图，展示了多页并行扫描、识别与优化各阶段的进度。

更多批处理写法（如跳过已有文本层、失败续跑）可参考批处理文档。

下一步

1. 按系统表格安装后，运行ocrmypdf --help确认工具可用，并浏览全部选项。
2. 挑一份手头的扫描件执行ocrmypdf 输入.pdf 输出.pdf，在 PDF 阅读器里搜索一个已知词，验证文本层已生效。
3. 有批量或归档需求时，克隆仓库获取完整脚本与文档：git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF，其中 docs/batch.md 与 docs/pdfa.md 是后续最常查的两篇。

【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