企业官网建设流程全解析

如何让扫描PDF支持搜索：OCRmyPDF 完整上手指南

【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

扫描仪吐出来的 PDF，点开却搜不到任何一个字——这是纸质文档数字化后最头疼的问题：全文检索用不了，想复制一段话只能逐字重打。OCRmyPDF 是给扫描 PDF 加 OCR 文本层的命令行工具，让文档可搜索、可复制，原图原样保留，适合处理旧合同、老论文和手机照片的用户。

典型的扫描件：内容都在，但全是图像，搜不到任何一个字

30 秒装好并跑通第一条命令

按你的系统复制对应的一行安装命令即可，依赖会自动装齐：

• macOS：brew install ocrmypdf
• Debian / Ubuntu / WSL：apt install ocrmypdf
• Fedora：dnf install ocrmypdf tesseract-osd

各平台更细的安装步骤见 docs/installation.md。装完不用翻文档，直接跑这条最小命令：

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

它做了三件事：检测并纠正页面倾斜、把横竖颠倒的页面转正、识别文字并在原图下方贴一层可搜索文本，最终生成 output.pdf。处理 200 页左右的文档，普通笔记本上通常一两分钟就能跑完，进度全程可见：

执行过程中会显示并发页数、OCR 进度和最终的压缩率

按处理流程看懂核心能力：从校正到 PDF/A

🧹 输入端：先把"歪"和"脏"处理掉

扫描件歪 3° 以上，识别率就会明显下降。--deskew通过检测文本基线角度把页面自动摆正，--rotate-pages处理颠倒的页；背景泛黄或有噪点时，再加--clean、--remove-background清理，对旧报纸、泛黄存档这类文档改善尤其明显。

一份老式打字机文档的扫描页，正是这类校正功能的主要处理对象

🔍 核心转换：生成能"贴回原位"的双层 PDF

识别由 Tesseract 引擎完成，支持 100 多种语言，中英混排文档用-l chi_sim+eng一次指定即可，语言包安装方法见 docs/languages.md。它和多数同类工具的区别在于：文本层按原文排版位置逐字放置，复制出来的文字顺序是对的，不会变成堆在页底的一大段。需要纯文本时加个参数就行：

ocrmypdf --sidecar out.txt input.pdf output.pdf

--sidecar会额外输出一份纯文本，方便直接编辑或做数据统计。

📦 输出端：默认 PDF/A，还能顺带瘦身

默认输出符合 ISO 标准的 PDF/A，适合长期归档。输入若是高分辨率扫描件，--optimize会重新压缩图像，输出文件经常比输入还小：

ocrmypdf --optimize 3 input.pdf output.pdf

等级 0–3 越高压缩越狠，归档场景用 3 通常没问题。

实战场景：批量档案与单张手机照片的参数组合

场景一：一柜扫描档案批量 OCR（重度）。文件夹里几百个 PDF，套一层循环批量处理，多核默认并行，跑完原文件不动，ocr_前缀的就是可搜索版本：

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

2000 页的档案库，四核机器上一小时左右能过完，中途断电重跑不会弄坏原文件。

场景二：手机拍的合同转正存档（轻量）。手机拍摄角度随意，倾斜、方向问题一条命令解决，输入是图片也没关系：

ocrmypdf --deskew --rotate-pages photo.jpg document.pdf

输出就是可直接放进档案系统的双层 PDF，拍照、处理、归档一步到位。

进阶调优：识别不准、校验失败的对策

• 如果扫描件分辨率低、识别出的文字缺字断句，加上--image-dpi 300，它会先把页面按 300 DPI 重新光栅化再识别。
• 如果输出反复通不过 PDF/A 校验，多半是原文件带了不支持的字体或元数据，先用--output-type none跳过校验定位问题，再决定是修原件还是换输出格式。

底层机制：它调用了哪些引擎

OCRmyPDF 自己不实现识别算法：文字识别交给 Tesseract 引擎，倾斜校正与背景清理调用 unpaper，PDF/A 转换和校验由 Ghostscript 完成，各组件的版本探测在 src/ocrmypdf/_exec/tesseract.py 等模块里。它的角色更像调度器——把光栅化、识别、排版、压缩串成一条流水线，每步之后校验结果，出错时直接报告是哪一环失败。

想查全部选项就跑ocrmypdf --help，也可以克隆源码看看实现：git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF

下次扫描仪再吐出一摞搜不到字的 PDF，跑一行命令，它们就能被搜索、被复制了。

【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