企业官网建设流程全解析

OCRmyPDF 实战：3 步给扫描 PDF 做可搜索化，实现发票合同自动分类归档

【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

OCRmyPDF 给扫描 PDF 加一层文字，产出可搜索 PDF，是它最核心的能力。照这篇做，你能搭出一套 OCR 文档分类流水线，把发票合同 PDF 自动归档进不同文件夹。

一堆图像 PDF，连关键词都搜不到

纸质文件数字化之后，麻烦才刚开始：

• 翻出来的都是扫描图像，Ctrl+F搜不到任何东西
• 文件名常常是扫描件001.pdf，内容是什么，只有打开才知道
• 想按"发票 / 合同 / 报告"分文件夹，只能靠肉眼一页页看

思路其实很直接：先用 OCR 给 PDF 补上文字层，让内容变得可搜索、可复制；再把提取出来的文本丢给一套分类规则，文件就自己各归各位了。

一条命令装好环境并验证

先把环境跑起来，全程两条命令：

git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF cd OCRmyPDF pip install .

装完在终端敲ocrmypdf --version。能打印版本号，说明 Python 依赖、Ghostscript、Tesseract 引擎都已就位，可以开工。

打通主链路：OCR 转换、提取文本、分类决策

这步最关键：转换、提取、分类，一次跑通。

第一步，把图像 PDF 变成可搜索 PDF：

ocrmypdf in.pdf out.pdf

运行中它会扫描每一页、调用 Tesseract 识别，最后输出一份文字层和原图对齐的新 PDF，版式完全保留。

第二步加第三步，用一段最小 Python 把文本抠出来并做分类决策。规则用"关键词 + 正则"就够用，优先级从上到下：

def classify(text): if re.search(r"发票|INVOICE|Receipt", text, re.I): return "invoices" if re.search(r"合同|CONTRACT|Agreement", text, re.I): return "contracts" return "other"

文本提取库任选其一，pdfplumber、pypdf都行：先open()打开转换后的 PDF，遍历页面把文本拼起来，再交给classify。命中哪条规则，文件就落到哪个目录，归档逻辑就是这么简单。

走向自动化：批量处理、目录监控与归档目录设计

单文件跑通后，剩下的事是让机器盯着。

• 批量处理：仓库自带批量脚本，递归遍历目录里所有 PDF 并逐个做 OCR，还带了原文件备份逻辑，扫描 PDF 批量处理直接拿它改
• 目录监控：watcher 脚本基于 watchdog 监听目录，新 PDF 一落盘就触发 OCR，适合扫描仪"吐完即走"的场景
• 归档目录：建议四段式结构

docs/ ├─ incoming/ # 待处理 ├─ sorted/ # 分类结果：invoices/ contracts/ reports/ other/ ├─ original/ # 原件备份 └─ ocr.log # 处理记录

三条设计原则：原件先备份再移动，别在原目录直接改写；OCR 完成的文件移进sorted/，监控就不会重复处理它；顺手记一行日志（文件名、分类结果、时间），出错时好排查。

避坑与调优清单

• 先抽查再批量：转换完随手打开一个 PDF，选中文字、复制一下。复制出来的是乱码，说明扫描件本身质量不行，或者语言包不对
• 多语言要装语言包：-l参数要匹配文档语言，中文文档没装chi_sim包，识别结果会惨不忍睹
• 规则要可维护：关键词从少到多，别一上来写五十个词。定期翻other/文件夹，新类别从里面长出来，这才是规则的"养法"
• 备份不可省：自动归档会移动甚至覆盖文件，original/目录就是你的后悔药

收尾

到这里，OCR 转换、文本提取、分类决策、批量与目录监控四块就都接上了：一条命令完成 OCR 转换，一个classify函数决定文件去向，一个监控脚本让整条流水线自己转起来。后续如果other/里的文件越来越多，可以再往语义分类的方向演进，但那属于扩展话题了——先用关键词把八九成的文档分对，就已经够用。

【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