企业官网建设流程全解析

扫描件PDF文字识别：用Umi-OCR批量OCR手把手

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

你打开一份扫描版合同，选中一句话复制粘贴出来，得到的是一堆乱码，甚至什么都没有。原因很简单：扫描件里的"字"其实全是图片，必须做一次 PDF 文字识别（OCR），才能变成能选中的真文字。Umi-OCR 是一款免费、开源、离线的 OCR 软件，解压就能用，不安装、不联网。读完这篇，你能把 30 份扫描版 PDF 拖进去变成可搜索的文本，顺便学会排除水印、还原排版。

一、先花30秒判断：它是不是你要的批量识别工具

• 适合谁：经常处理扫描版合同、教材、纸质 PDF，又需要把文件留在本地的你。
• 不适合谁：指望在手机上"拍张照片三秒出字"的人。它是桌面程序，支持 Windows 7（64位）和 Linux x64，出门在外帮不上忙。

二、5分钟跑通免安装配置：批量识别的最短路径 ✅

1. 解压启动。项目仓库里直接带了发布包（如Umi-OCR_Rapid_v2.1.5.7z），解压到不含中文的路径下，双击Umi-OCR.exe。你会看到带"截图OCR""批量OCR""文档识别""全局设置"等标签页的窗口，比如"截图OCR"标签页就是下面这样，可以直接划选截图里的文字复制：

2. 打开"文档识别"标签页，拖入扫描版 PDF。它支持pdf, xps, epub, mobi等格式；如果你手里是一堆纯图片，就换"批量OCR"标签页。你会看到窗口里的文件列表出现你拖入的文档。
3. 看一眼右侧设置，点"开始任务"。想保留原排版存档，就选输出"双层可搜索PDF"；只要纯文字能搜，单层纯文本 PDF 也够用。你会看到进度条显示处理到第几个文件、耗时多少，任务完成后输出目录里出现结果文件。

到这里，你已经把扫描版 PDF 变成了能搜索、能复制的文本。

三、核心功能拆解：忽略区域、排版解析与双层PDF输出

处理水印：忽略区域，让页眉页脚别混进来

批量识别扫描论文时，每页重复的页眉、角标水印全混进识别结果，把排版搅成一团。

在"批量OCR"或"文档识别"页右侧设置里进入忽略区域编辑器，在预览图上按住右键，把水印位置框起来，可以画多个框，一套框会应用到任务的所有页面。

任务跑完，输出文本里的水印和页眉消失了，正文干干净净。

顺带说一句，只有完全落在框内的整个文本块才会被忽略，所以框宁可画大、把水印可能出现的位置都盖住，也别画得紧紧包住。

理顺排版：排版解析方案，让多栏文档读得通

识别多栏的报刊、或者代码截图时，输出的文字顺序是乱的，一行话拆得到处都是。

在页面设置里找到"OCR文本后处理-排版解析方案"：多栏文档选"多栏-按自然段换行"，代码截图选"单栏-保留缩进"。

输出的文字按原版面的顺序和段落排好，代码的缩进也保住了。

注意，这些方案都能自动处理横排和竖排，但竖排文字还需要 OCR 引擎本身支持才行。

强制识别：整页强制OCR，糊掉的页面不怕了

扫描页歪斜模糊，或者原 PDF 自带的文本层是坏的，直接拷原文本就得不到东西。

在"文档识别"页右侧设置里，把文档内容提取切换为"整页强制OCR"。

整页由引擎重新识别，输出的是纯靠图像认出来的文字，坏文本层不再捣乱。

顺带说一句，如果 PDF 是纯文字没有图片，根本不用整页 OCR，直接提取原有文本秒出结果，还省 CPU。

四、跑通之后才会注意到的 3 个调优细节

• 长图、超长截图识别乱掉→ 图像边长超出了处理上限 → 在"页面的设置→文字识别→限制图像边长"里把数值调高，比如从 1920 提到 2880。
• 界面截屏闪烁、UI 错位→ 默认显卡加速渲染在你机器上兼容性差 → 进"全局设置→界面和外观→渲染器"，切换到别的渲染方案或关闭硬件加速。

• 大批量排队时人走不开→ 页面设置里有"任务完成后自动关机/待机" → 打开它，任务跑完电脑自动关机或休眠，不用陪跑。

五、高频翻车现场：有人问，我来答 ❓

有人问：PDF 里明明能选中文字，为什么复制出来是乱码？因为那层"文本"是坏的，真正的字还压在图片里。切成"整页强制OCR"让引擎整页重认一遍就好——这是 PDF 文字识别最反直觉的一点：能不能复制才作数，别信"看起来有文本层"。

有人问：我把扫描分辨率提到 4000 像素，怎么识别又慢又差？分辨率不是越高越准。超大图像会引入噪声、拖慢速度，边长控制在 1920~2880 像素之间就够了。

有人问：只想识别页面上几行字，非得整份文档都处理吗？不用，打开"截图OCR"标签页，框选那几行复制走就行，其实不用走整份文档的批量流程，更不用手动重敲。

如果你是开发者，想从脚本里调用它，也不用点鼠标——命令行入口就是主程序本身，把文件路径传给它即可：

umi-ocr --path "D:/scan/contract1.pdf"

这行是在干嘛：把文件路径交给后台程序，它自动完成识别并把结果存进输出目录。

现在你自己就能完成 PDF 文字识别了：从拖入扫描文档、排除水印，到拿到双层可搜索 PDF，全都顺手。想再深入一点，docs/README_CLI.md 写了完整的命令行用法，docs/http/README.md 是 HTTP 接口手册。下次再遇到"只可看不可搜"的 PDF，直接打开它，把这件苦差事交出去就行。

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR