企业官网建设流程全解析

给扫描 PDF 加可搜索文本层：OCRmyPDF 实战指南

【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 是一个命令行工具，用 Tesseract 引擎给扫描 PDF 添加可搜索的 OCR 文本层，输出带文本层、可校验的 PDF/A 文件，原始图像内容保持不变。

场景很常见：你拿到一份 200 页的扫描版论文或合同扫描件，Ctrl+F 没有任何反应，想要检索三个关键词，只能一页页人工翻。

它是什么，解决什么问题

OCRmyPDF 做的事只有一件：把扫描图像上的文字识别成文本层，叠在原始图像下面，让 PDF 变得可搜索、可选择、可复制。

它不做的事同样明确：不识别手写体，不重排版面，不转成 Word 或 HTML，也不做文档问答。

典型痛点场景：

• 扫描件无法检索：整份文档只是图像，关键词搜索、全文索引全部失效
• 别家工具复制出来文字错行串行：文本层定位不准，多栏版式下复制粘贴基本不可用
• 归档有合规要求：需要长期保存且符合 ISO 标准的 PDF/A 格式
• 文档量大需要批量处理：几十上百份扫描件要靠脚本和并行跑批

截图中的Total file size ratio: 2.16 savings: 53.8%一行是输出文件相对输入的压缩比，Output file is a PDF/A-2b是校验结论

安装与首次运行

支持 Linux、macOS、Windows 和 FreeBSD，Docker 镜像也有。三种平台的安装命令：

安装完成后跑最简转换：

ocrmypdf 输入.pdf 输出.pdf

输出里看到Done以及Output file is a PDF/A-2b即成功。再在 PDF 阅读器里选中一段文字复制出来，能粘出正确内容就算跑通。

核心能力拆解

文本层精确定位

OCR 结果按原文字坐标叠在图像下方，复制粘贴时文字顺序与版面一致。

ocrmypdf 输入.pdf 输出.pdf

多栏报纸、带表格和脚注的文档最需要这一点——定位一旦错位，跨栏复制出来就是乱码式的串行文本。

多语言混排识别

默认识别英文（eng），支持 Tesseract 的 100 多种语言包，多个语言用+连接。

# 中文文档（Debian/Ubuntu 需先装语言包） sudo apt install tesseract-ocr-chi-sim ocrmypdf -l chi_sim 中文文档.pdf 输出.pdf # 英文法文混排，Tesseract 会逐页检测实际语言 ocrmypdf -l eng+fra 混合文档.pdf 输出.pdf

适合处理外文文献、多语言混排档案，以及给中文扫描文档批量加文本层的用户；语言包安装方法见 语言文档。

扫描质量自动矫正

提供一组可选的图像预处理：--rotate-pages按文本方向自动旋转页面，--deskew校正整页倾斜，--clean去除扫描噪点和黑边，--remove-background去除灰色底色。

ocrmypdf -d --rotate-pages 倾斜扫描件.pdf 输出.pdf

这些开关默认全部关闭，只在扫描件确实有旋转、倾斜、脏背景时开启——--clean与--remove-background处理过重的话可能误删正文，需要留意的用户先用小样验证。

输出压缩与自动校验

默认输出 PDF/A，归档友好；内置图像压缩会把大体积扫描件压小，输出文件通常比输入更小，截图中的示例压缩到了 46%。每份输出在保存前都会走一次 PDF 规范校验，校验失败时直接报出具体原因和页码，排错入口见 错误码文档。

# 不想要 PDF/A、尽量不动输入文件时 ocrmypdf --output-type pdf 输入.pdf 输出.pdf

适合需要长期归档、或者对输出文件合法性有硬性要求的场景。

一个完整实战流程

拿一份荷兰语老式打字机文档（等宽字体、扫描件、略有倾斜）走一遍完整流程。

# 1. 安装识别语言包（Debian/Ubuntu；Windows 可用 winget install Tesseract.OCR，macOS 用 brew install tesseract-lang） sudo apt install tesseract-ocr-nld # 2. 主转换：校正倾斜，生成 PDF/A 输出，同时产出 sidecar 纯文本 ocrmypdf -l nld --deskew 输入.pdf 输出.pdf --sidecar # 3. 用 sidecar 文本快速核对识别质量（无需打开 PDF） head 输出.txt # 4. 质量确认后批量处理其余文档（misc/batch.py 会逐文件调用 ocrmypdf） python3 misc/batch.py -l nld --deskew 扫描件目录/*.pdf

第 1 步装对语言包，避免整篇被当成英文识别；第 2 步用--deskew先校正倾斜再识别，能明显提高歪斜页面的识别率，--sidecar顺手产出可 grep 的纯文本；第 3 步是廉价的质量检查，确认Linzensoep这类关键词识别正确再往下走；第 4 步批量跑批，每份输入独立处理，单个文件失败不影响其他文件。

进阶参数与调优

提升识别率

提升速度

输出控制

常见问题

已有文本层的 PDF 会报错，怎么办

直接对"图像+旧文本层"的混合文档运行，默认模式会报错。按需三选一：

ocrmypdf --mode skip 混合.pdf 输出.pdf # 跳过已有文本的页，只 OCR 纯图像页 ocrmypdf --mode redo 混合.pdf 输出.pdf # 整页重做 OCR，替换旧文本层 ocrmypdf --mode strip 混合.pdf 输出.pdf # 只删掉旧的不透明文本层，不跑 OCR

--mode skip是混合文档批量处理时的默认选择，速度最快。

识别错误多，怎么排查

按这个顺序试：

ocrmypdf -l eng --deskew --clean --oversample 400 输入.pdf 输出.pdf

先确认语言包装对了（--deskew治倾斜，--clean治噪点和黑边，--oversample治低分辨率）；再检查输出里的 warning，OCRmyPDF 会对识别置信度低的页面给出提示，见 错误码文档。

中文文档怎么处理

中文用chi_sim语言包（繁体是chi_tra），先装包再指定语言：

sudo apt install tesseract-ocr-chi-sim # Debian/Ubuntu；macOS 用 brew install tesseract-lang ocrmypdf -l chi_sim 中文扫描件.pdf 输出.pdf

Windows 上可以winget install Tesseract.OCR装引擎，语言包用 Tesseract 安装包自带或从 tessdata 下载后放到安装目录的tessdata里。

适合谁，什么时候不用它

适合：手里有扫描版 PDF、图像 PDF，需要检索、复制文本、建索引的人；需要 PDF/A 归档、对接 Paperless-ngx 等文档管理系统的团队；以及想把 OCR 批量处理写进脚本或定时任务的用户。

不适合：文档已有文本层，直接搜索即可，没必要跑一遍 OCR；大量手写体内容——印刷体之外识别效果有限，不要拿它当手写识别工具；需要版面重排、转 Word/HTML 的需求，它只在原 PDF 上加一层文本。

核心价值就一句：扫描 PDF 进，可搜索的 PDF/A 出，文本层定位准、体积通常更小、每份输出都经过校验。建议先用一份 5 页的小文件跑通，复制出文字确认无误，再上批量。

【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