企业官网建设流程全解析

3 分钟给扫描 PDF 加上 OCR 文本层：OCRmyPDF 歪斜校正与可搜索 PDF 完整指南

【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

扫描版 PDF 里搜不到字、页面歪得没法看、文件又大不好存——这三个问题，OCRmyPDF 一次处理就能全解决。它给扫描 PDF 加上 OCR 文本层、把歪斜页面摆正，最后产出一份可搜索 PDF。

3 分钟跑通第一次：安装并执行首个 OCR

先装好工具，再跑第一条命令，五分钟内就能看到效果。

macOS / Linux / Windows 安装

macOS：用 Homebrew 一条命令装齐所有依赖，最省心：

brew install ocrmypdf

Linux：Debian、Ubuntu 这类发行版直接用系统包管理器：

apt install ocrmypdf

Windows：先装 Python 和 Tesseract，再用 pip 装程序本体：

winget install Python.Python.3.12 winget install UB-Mannheim.TesseractOCR pip install ocrmypdf

三条命令跑完，ocrmypdf --version能打印版本号就算装好了。各发行版、WSL 等更细的步骤见官方安装文档。

第一条命令：把一份扫描件变成可搜索 PDF

一份没有文本层的扫描稿：整页都是图像，什么都搜不到

ocrmypdf input.pdf output.pdf

中间这步做的事：把每页扫成图像，交给 Tesseract 识别文字，再把文字按原位置嵌回 PDF。打开 output.pdf，在搜索框里敲任意单词都能命中，而页面外观和扫描件一模一样——这层看不见的文字就叫文本层。

📄 四类常见问题与 OCRmyPDF 的解法

OCRmyPDF 处理过程一览：各阶段进度、压缩节省比例，最后校验输出符合 PDF/A-2B

页面歪斜或方向颠倒：自动校正与旋转

手机拍文档十有八九是斜的。加两个参数就能自动摆正：

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

--deskew让程序算出每页倾斜了多少钱并转回来；--rotate-pages识别页面朝向，把横着或倒着的页转正。两个一起加，拍得再随意也能出水平文本。

噪点、泛黄、背景杂乱：图像清洁

脏背景会直接拉低识别率。清洁参数如下：

ocrmypdf --clean --remove-background input.pdf output.pdf

--clean在识别前去掉斑点和杂色，--remove-background把泛黄、灰底这类浅色背景压成纯白。老报纸、旧档案这种背景不均匀的扫描件用这对参数效果最好，图干净了，识别自然准。

多语言混排：指定语言包

正文中文、附录英文，默认只认英文的话其他语言就全错了。用-l指定语言代码，多个用+连起来：

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

表示"中英文混排，两种都识别"。支持的语言和语言包安装方法见语言支持文档。

要保存数十年：PDF/A 归档与压缩

OCRmyPDF 默认输出PDF/A——国际标准化组织定义的长期存档格式，会把字体、色彩信息完整嵌进文件，保证多年后打开看到的还和现在一样。体积想再小一点，加--optimize，取值 1–3，数字越大压得越狠，默认是 1。归档级 PDF 加上图片压缩，老文档体积能省一半以上，细节见高级功能文档。

它是怎么"校正"的

歪斜校正靠的是 Tesseract 的方向检测（OSD）能力：它扫一遍页面，统计所有文字行的走向，算出整页歪了多少度、朝向是正的还是倒的。OCRmyPDF 拿到这个角度把页面转回去，方向颠倒的页也会一并纠正。

一份带倾斜的扫描稿：校正前的典型输入

--clean和--remove-background背后是 unpaper 这个图像预处理程序。它先分析页面结构——文字块在哪、页边在哪——再做去噪、去斑、背景压平。识别之前把图洗干净，比识别完再修省事得多。

常见坑与进阶用法

• --sidecar：加一个输出路径，PDF 旁边多产出一份纯文本：ocrmypdf --sidecar out.txt input.pdf output.pdf。适合做全文检索、归档索引。
• --optimize：三档压缩级别，1保守、3最狠。归档旧照片多的文档时用 2 或 3，体积差距明显。
• 批处理：一个文件夹的扫描件写个循环就行：

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

把当前目录所有 PDF 逐个加文本层并摆正，晚上跑，早上收。

OCRmyPDF 把"扫描件不能搜、歪着没法看、太大不好存"这三件事收进了一条命令。挑一份手头的扫描件，按上面的步骤跑一遍——加--deskew摆正、用--optimize 2控体积，然后打开输出文件搜一个词。能搜到，就说明文本层已经就位。

【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