OCRmyPDF：将扫描PDF转为可搜索文本的开源工具

OCRmyPDF 是一个开源的命令行工具，专门用于为扫描的PDF文件添加光学字符识别（OCR）文本层，使其变为可搜索、可复制的文档。它基于Python开发，使用Tesseract OCR引擎，能准确识别图像中的文字，并将其嵌入PDF中，保持原文件的布局和图像质量。工具支持多语言，适用于Linux、Windows、macOS等平台，还提供Docker镜像，方便跨平台部署。OCRmyPDF 默认生成PDF/A格式，适合长期存档，同时支持页面校正、图像优化等功能，广泛应用于文档数字化和归档场景。

功能列表

• 为扫描PDF添加可搜索的OCR文本层，支持复制粘贴。
• 默认生成PDF/A格式，适合长期文档存档。
• 支持39种语言的文字识别，覆盖英语、德语、中文等。
• 自动校正页面倾斜（deskew）和旋转（rotate-pages）。
• 优化PDF文件大小，常生成比输入文件更小的输出。
• 支持多核并行处理，提升大规模文档处理效率。
• 提供调试模式，方便验证OCR结果。
• 通过插件支持功能扩展，兼容复杂PDF结构。
• 自动修复损坏的PDF文件，增强兼容性。

使用帮助

安装流程

OCRmyPDF 的安装需要在支持的操作系统上配置依赖项，包括Python、Tesseract、Ghostscript等。以下是详细安装步骤，适用于常见操作系统：

Linux（以Ubuntu 22.04为例）

1. 确保系统已安装Python 3和pip：

   python3 --version
   pip3 --version
   

2. 安装依赖项：

   sudo apt update
   sudo apt install tesseract-ocr ghostscript python3-pip pngquant
   

3. 使用pip安装OCRmyPDF：

   pip3 install ocrmypdf
   

4. 验证安装：

   ocrmypdf --version
   

   如果显示版本号，说明安装成功。

Windows

1. 安装Python 3（建议通过官网下载最新版本）。
2. 安装Tesseract和Ghostscript（推荐使用Chocolatey包管理器）：

   choco install tesseract ghostscript
   

3. 使用pip安装OCRmyPDF：

   pip install ocrmypdf
   

4. 确认安装完成：

   ocrmypdf --version
   

macOS（使用Homebrew）

1. 安装Homebrew（如果未安装）：

   /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
   

2. 安装依赖项：

   brew install tesseract ghostscript ocrmypdf
   

3. 验证安装：

   ocrmypdf --version
   

Docker安装

1. 确保Docker已安装并运行：

   docker run hello-world
   

2. 拉取OCRmyPDF镜像：

   docker pull jbarlow83/ocrmypdf
   

3. 标记镜像为便捷名称：

   docker tag jbarlow83/ocrmypdf ocrmypdf
   

使用方法

OCRmyPDF 是一个命令行工具，使用简单但功能强大。基本命令格式为：

ocrmypdf [选项] 输入文件 输出文件

基本操作

1. 简单OCR转换：
   将扫描的PDF转换为可搜索的PDF：

   ocrmypdf input.pdf output.pdf
   

   这会处理input.pdf，生成带有OCR文本层的output.pdf。

2. 指定语言：
   支持多语言OCR，例如处理包含英文和中文的PDF：

   ocrmypdf -l eng+chi_sim input.pdf output.pdf
   

   语言代码可在Tesseract文档中查找。

3. 页面校正和优化：
   自动校正倾斜并生成PDF/A格式：

   ocrmypdf --deskew --output-type pdfa input.pdf output.pdf
   

4. 并行处理：
   使用多核加速处理：

   ocrmypdf --jobs 4 input.pdf output.pdf
   

特色功能操作

• 页面旋转：自动检测并修复页面方向：

  ocrmypdf --rotate-pages input.pdf output.pdf
  

  可通过--rotate-pages-threshold设置旋转阈值。

• 图像清理：在OCR前清理图像，提升识别准确性：

  ocrmypdf --clean input.pdf output.pdf
  

• 调试模式：验证OCR结果，生成详细日志：

  ocrmypdf --verbose 2 input.pdf output.pdf
  

• 跳过已有文本：避免重复处理已有文本的页面：

  ocrmypdf --skip-text input.pdf output.pdf
  

Docker使用

使用Docker运行OCRmyPDF，适合无本地环境的场景：

docker run --rm -v $(pwd):/data ocrmypdf /data/input.pdf /data/output.pdf

此命令将当前目录的input.pdf处理后输出到output.pdf。

注意事项

• 确保输入PDF是扫描文档，含文本的PDF可能需用--skip-text。
• Tesseract语言包需单独安装以支持多语言，例如：

  sudo apt install tesseract-ocr-chi-sim
  

• 对于复杂PDF，建议启用--verbose查看详细日志，便于排查问题。

应用场景

1. 文档数字化
   将纸质文档扫描为PDF后，使用OCRmyPDF添加文本层，方便搜索和复制内容，适合档案管理或法律文件存档。
2. 学术研究
   研究人员可将扫描的学术论文转为可搜索PDF，便于提取引用或关键词，提高文献管理效率。
3. 企业归档
   企业可批量处理扫描的合同、发票，生成PDF/A格式，确保长期保存和法律合规性。
4. 多语言文档处理
   处理多语言扫描文档，如中英混合合同，OCRmyPDF可识别多种语言并嵌入文本。

QA

1. OCRmyPDF支持哪些操作系统？
   支持Linux、Windows、macOS和FreeBSD，也可通过Docker跨平台使用。
2. 如何处理非英文文档？
   使用-l指定语言代码，如-l chi_sim处理中文，需安装对应语言包。
3. 输出文件比输入大怎么办？
   使用--optimize 1或安装JBIG2编码器以压缩文件大小。
4. 如何验证OCR结果？
   使用--verbose 2生成详细日志，或检查输出PDF的可复制文本。