OCRmyPDF快速上手如何为扫描PDF添加可搜索OCR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需要在一堆扫描件里搜索关键词却一无所获时OCRmyPDF 就是为此而生的命令行工具它在本地为扫描 PDF 叠加 OCR 文本层让文档可搜索、可复制、可粘贴。它基于 Tesseract 引擎支持 100 种以上语言默认利用全部 CPU 核心并行处理输出默认是验证通过的 PDF/A 归档格式。运行环境要求不苛刻Python 3.11、Tesseract 4.1.1、Ghostscript三者装齐即可开工。三步出结果拿到第一份可搜索PDF先跑通再谈参数。整个过程就是输入 → 执行 → 输出# 输入扫描版 PDF只有图像、搜不到任何文字 ocrmypdf -l engchi_sim scan.pdf searchable.pdf # 输出searchable.pdf —— 原文图像原样保留文字可选中、可搜索对单张图片也成立ocrmypdf photo.jpg out.pdf会直接生成带 OCR 层的单页 PDF。跑完后用pdftotext searchable.pdf -提取文本验证能搜到原文里的词才算成功。默认行为已经覆盖了多数场景OCR 文本以不可见文本方式贴在图像下方不改动原始图像分辨率处理过程中输入和输出文件都会经过合法性验证。核心能力拆解选参数前先看这四件事哪些语言能识别怎么指定能识别什么语言完全取决于 Tesseract 语言包OCRmyPDF 只负责调用。语言用 ISO 639-3 三位码表示英文eng、法语fra、简体中文chi_sim、德文旧印刷体甚至有专门的deu_frak。多语言混排用加号串联即可-l engchi_sim。注意两点指定了哪几种语言就必须提前装好对应语言包否则会直接报错Tesseract 本身不做语言检测语言给错识别率会明显下降——中文文档标成英文结果基本不可用。apt-cache search tesseract-ocr # 列出可装的语言包 apt-get install tesseract-ocr-chi-sim # 装简体中文包大文件和烂扫描件怎么扛大文件不用整个吞下去--pages 2,3,13-17只处理指定页--pages 3-end处理从第 3 页到末页对数千页的文件按段跑是最稳妥的做法。扫描件歪斜、方向颠倒则是预处理流水线的事四个开关按需组合顺序无关内部固定按 rotate → 去背景 → 校正倾斜 → 清理 执行--rotate-pages页面整页转错方向横竖混扫时纠正--deskew页面整体倾斜几个角度时拉直--remove-background灰度/彩色图的噪声背景--clean/--clean-final用 unpaper 清理噪点后者会改变最终图像用后要逐页检查对用户意味着什么烂扫描件先过一遍--deskew --rotate-pages比盲目重扫便宜得多而--pages让你在内存有限时也能处理几百页的合同。数据留在哪全部处理在本地机器完成OCR 由本机的 Tesseract 执行没有中间环节把文档上传到任何服务器。输入输出双向验证--output-type pdfa时由 veraPDF 校验归档合规性这意味着处理完成这四个字本身就包含文件是合法 PDF的承诺。对涉密、内网、离线环境这是它相对云端 OCR 服务的根本差别。输出文件会不会更大不会往往反而更小。OCR 完成后有一道默认的无损图像优化--optimize 3下含大量图像的扫描件输出文件比输入小一半并不罕见——下图是一次真实运行8 页并行 OCR最终Total file size ratio: 2.16, savings: 53.6%。高频场景实战批量扫描、无人值守与归档场景一一个目录的扫描件一次处理完几百份扫描 PDF 挨个敲命令不现实官方推荐的搭配是 GNU Parallel。-j 2是关键parallel 和 ocrmypdf 都想用满所有核心限到 2 个并发任务正好不超载。parallel --tag -j 2 ocrmypdf {} output/{} ::: *.pdf--tag会在每行日志前打印文件名哪份文件报错了立刻能对上号。递归处理整个目录树则换成find . -name *.pdf | parallel --tag -j 2 ocrmypdf {} {}。完整方案见 docs/batch.md。场景二扫描器一落文件就自动 OCR无人值守团队场景网络扫描仪把文件丢进共享目录OCR 自动发生。仓库自带的watcher.py就是这个用途——指定输入/输出目录文件落盘即处理还可按年/月归档、成功后自动归档原件uv sync --extra watcher # 或 pip3 install ocrmypdf[watcher] OCR_INPUT_DIRECTORY/mnt/in OCR_OUTPUT_DIRECTORY/mnt/out \ python3 watcher.py不想装依赖就用 Docker挂载/input、/output、/processed三个卷即可OCR_DESKEW1顺手校正歪斜。注意 watchmedo 在网络文件系统上可能失灵输出目录也别放在输入目录下否则无限循环。场景三旧文档长期归档档案馆、财务、法务的共同需求格式不腐化、体积可控、可长期检索。组合拳是 PDF/A 输出 最高优化级 倾斜校正ocrmypdf -l deu --rotate-pages --deskew \ --output-type pdfa --optimize 3 old_contract.pdf archive.pdf下面这份打字机扫描件的德文文档linn.png同类的历史材料就是典型输入——方向可能错、角度可能斜预处理开关全部打开再进 OCR 最保险。几组常用参数组合的效果差异一张表说清场景关键参数代价快速出结果--optimize 0 --output-type pdf不做优化与归档校验默认平衡不传参数PDF/A 输出 无损优化最小体积归档--optimize 3 --output-type pdfa处理时间最长烂扫描件--deskew --rotate-pages --clean图像被重采样处理前先备份调优与扩展什么时候才需要它们以下手段不是日常必需按卡在哪对症取用。速度优先时默认行为里最耗时的是 PDF/A 转换和图像优化两者都想要最快就关掉--optimize 0 --output-type pdf --skip-big再避开--force-ocr和图像预处理。什么时候用批量跑几千页、先要结果再精修。程序化集成时跳过命令行直接用 Python API参数是结构化传参而非拼字符串适合嵌入自己的文档流水线import ocrmypdf ocrmypdf.ocr(scan.pdf, out.pdf, languages[eng, chi_sim])接口细节见 docs/api.md。想换 OCR 引擎时Tesseract 不是唯一选项插件机制允许整体替换识别引擎社区已有 EasyOCR、PaddleOCR、Apple Vision 插件内置插件的写法可参考 src/ocrmypdf/builtin_plugins/ 中的tesseract_ocr.py。什么时候用某类文档如手写体、特殊字体Tesseract 识别率不达标时换引擎比调参数有效。收束一条命令完成图像原样保留文本层可选中可搜索输出默认是验证过的 PDF/A100 语言由 Tesseract 语言包决定多语言用-l engchi_sim式写法--pages切段、--deskew --rotate-pages校正、--optimize 0~3控体积三组参数覆盖绝大多数需求全部本地处理配合 GNU Parallel 或 watcher.py 可做到批量与无人值守处理成功后才覆盖文件失败不会毁掉原件打开终端输入ocrmypdf --version——版本号能打出来说明依赖齐全找一个扫描件跑上面的三行命令吧。【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
OCRmyPDF快速上手：如何为扫描PDF添加可搜索OCR层
OCRmyPDF快速上手如何为扫描PDF添加可搜索OCR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需要在一堆扫描件里搜索关键词却一无所获时OCRmyPDF 就是为此而生的命令行工具它在本地为扫描 PDF 叠加 OCR 文本层让文档可搜索、可复制、可粘贴。它基于 Tesseract 引擎支持 100 种以上语言默认利用全部 CPU 核心并行处理输出默认是验证通过的 PDF/A 归档格式。运行环境要求不苛刻Python 3.11、Tesseract 4.1.1、Ghostscript三者装齐即可开工。三步出结果拿到第一份可搜索PDF先跑通再谈参数。整个过程就是输入 → 执行 → 输出# 输入扫描版 PDF只有图像、搜不到任何文字 ocrmypdf -l engchi_sim scan.pdf searchable.pdf # 输出searchable.pdf —— 原文图像原样保留文字可选中、可搜索对单张图片也成立ocrmypdf photo.jpg out.pdf会直接生成带 OCR 层的单页 PDF。跑完后用pdftotext searchable.pdf -提取文本验证能搜到原文里的词才算成功。默认行为已经覆盖了多数场景OCR 文本以不可见文本方式贴在图像下方不改动原始图像分辨率处理过程中输入和输出文件都会经过合法性验证。核心能力拆解选参数前先看这四件事哪些语言能识别怎么指定能识别什么语言完全取决于 Tesseract 语言包OCRmyPDF 只负责调用。语言用 ISO 639-3 三位码表示英文eng、法语fra、简体中文chi_sim、德文旧印刷体甚至有专门的deu_frak。多语言混排用加号串联即可-l engchi_sim。注意两点指定了哪几种语言就必须提前装好对应语言包否则会直接报错Tesseract 本身不做语言检测语言给错识别率会明显下降——中文文档标成英文结果基本不可用。apt-cache search tesseract-ocr # 列出可装的语言包 apt-get install tesseract-ocr-chi-sim # 装简体中文包大文件和烂扫描件怎么扛大文件不用整个吞下去--pages 2,3,13-17只处理指定页--pages 3-end处理从第 3 页到末页对数千页的文件按段跑是最稳妥的做法。扫描件歪斜、方向颠倒则是预处理流水线的事四个开关按需组合顺序无关内部固定按 rotate → 去背景 → 校正倾斜 → 清理 执行--rotate-pages页面整页转错方向横竖混扫时纠正--deskew页面整体倾斜几个角度时拉直--remove-background灰度/彩色图的噪声背景--clean/--clean-final用 unpaper 清理噪点后者会改变最终图像用后要逐页检查对用户意味着什么烂扫描件先过一遍--deskew --rotate-pages比盲目重扫便宜得多而--pages让你在内存有限时也能处理几百页的合同。数据留在哪全部处理在本地机器完成OCR 由本机的 Tesseract 执行没有中间环节把文档上传到任何服务器。输入输出双向验证--output-type pdfa时由 veraPDF 校验归档合规性这意味着处理完成这四个字本身就包含文件是合法 PDF的承诺。对涉密、内网、离线环境这是它相对云端 OCR 服务的根本差别。输出文件会不会更大不会往往反而更小。OCR 完成后有一道默认的无损图像优化--optimize 3下含大量图像的扫描件输出文件比输入小一半并不罕见——下图是一次真实运行8 页并行 OCR最终Total file size ratio: 2.16, savings: 53.6%。高频场景实战批量扫描、无人值守与归档场景一一个目录的扫描件一次处理完几百份扫描 PDF 挨个敲命令不现实官方推荐的搭配是 GNU Parallel。-j 2是关键parallel 和 ocrmypdf 都想用满所有核心限到 2 个并发任务正好不超载。parallel --tag -j 2 ocrmypdf {} output/{} ::: *.pdf--tag会在每行日志前打印文件名哪份文件报错了立刻能对上号。递归处理整个目录树则换成find . -name *.pdf | parallel --tag -j 2 ocrmypdf {} {}。完整方案见 docs/batch.md。场景二扫描器一落文件就自动 OCR无人值守团队场景网络扫描仪把文件丢进共享目录OCR 自动发生。仓库自带的watcher.py就是这个用途——指定输入/输出目录文件落盘即处理还可按年/月归档、成功后自动归档原件uv sync --extra watcher # 或 pip3 install ocrmypdf[watcher] OCR_INPUT_DIRECTORY/mnt/in OCR_OUTPUT_DIRECTORY/mnt/out \ python3 watcher.py不想装依赖就用 Docker挂载/input、/output、/processed三个卷即可OCR_DESKEW1顺手校正歪斜。注意 watchmedo 在网络文件系统上可能失灵输出目录也别放在输入目录下否则无限循环。场景三旧文档长期归档档案馆、财务、法务的共同需求格式不腐化、体积可控、可长期检索。组合拳是 PDF/A 输出 最高优化级 倾斜校正ocrmypdf -l deu --rotate-pages --deskew \ --output-type pdfa --optimize 3 old_contract.pdf archive.pdf下面这份打字机扫描件的德文文档linn.png同类的历史材料就是典型输入——方向可能错、角度可能斜预处理开关全部打开再进 OCR 最保险。几组常用参数组合的效果差异一张表说清场景关键参数代价快速出结果--optimize 0 --output-type pdf不做优化与归档校验默认平衡不传参数PDF/A 输出 无损优化最小体积归档--optimize 3 --output-type pdfa处理时间最长烂扫描件--deskew --rotate-pages --clean图像被重采样处理前先备份调优与扩展什么时候才需要它们以下手段不是日常必需按卡在哪对症取用。速度优先时默认行为里最耗时的是 PDF/A 转换和图像优化两者都想要最快就关掉--optimize 0 --output-type pdf --skip-big再避开--force-ocr和图像预处理。什么时候用批量跑几千页、先要结果再精修。程序化集成时跳过命令行直接用 Python API参数是结构化传参而非拼字符串适合嵌入自己的文档流水线import ocrmypdf ocrmypdf.ocr(scan.pdf, out.pdf, languages[eng, chi_sim])接口细节见 docs/api.md。想换 OCR 引擎时Tesseract 不是唯一选项插件机制允许整体替换识别引擎社区已有 EasyOCR、PaddleOCR、Apple Vision 插件内置插件的写法可参考 src/ocrmypdf/builtin_plugins/ 中的tesseract_ocr.py。什么时候用某类文档如手写体、特殊字体Tesseract 识别率不达标时换引擎比调参数有效。收束一条命令完成图像原样保留文本层可选中可搜索输出默认是验证过的 PDF/A100 语言由 Tesseract 语言包决定多语言用-l engchi_sim式写法--pages切段、--deskew --rotate-pages校正、--optimize 0~3控体积三组参数覆盖绝大多数需求全部本地处理配合 GNU Parallel 或 watcher.py 可做到批量与无人值守处理成功后才覆盖文件失败不会毁掉原件打开终端输入ocrmypdf --version——版本号能打出来说明依赖齐全找一个扫描件跑上面的三行命令吧。【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
