企业官网建设流程全解析

OCRmyPDF快速上手：如何为扫描PDF添加可搜索OCR层

【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

需要在一堆扫描件里搜索关键词却一无所获时，OCRmyPDF 就是为此而生的命令行工具：它在本地为扫描 PDF 叠加 OCR 文本层，让文档可搜索、可复制、可粘贴。它基于 Tesseract 引擎支持 100 种以上语言，默认利用全部 CPU 核心并行处理，输出默认是验证通过的 PDF/A 归档格式。运行环境要求不苛刻：Python 3.11+、Tesseract 4.1.1+、Ghostscript，三者装齐即可开工。

三步出结果：拿到第一份可搜索PDF

先跑通，再谈参数。整个过程就是"输入 → 执行 → 输出"：

# 输入：扫描版 PDF（只有图像、搜不到任何文字） ocrmypdf -l eng+chi_sim scan.pdf searchable.pdf # 输出：searchable.pdf —— 原文图像原样保留，文字可选中、可搜索

对单张图片也成立：ocrmypdf photo.jpg out.pdf会直接生成带 OCR 层的单页 PDF。跑完后用pdftotext searchable.pdf -提取文本验证，能搜到原文里的词才算成功。默认行为已经覆盖了多数场景：OCR 文本以"不可见文本"方式贴在图像下方，不改动原始图像分辨率；处理过程中输入和输出文件都会经过合法性验证。

核心能力拆解：选参数前先看这四件事

哪些语言能识别，怎么指定

能识别什么语言完全取决于 Tesseract 语言包，OCRmyPDF 只负责调用。语言用 ISO 639-3 三位码表示：英文eng、法语fra、简体中文chi_sim、德文旧印刷体甚至有专门的deu_frak。多语言混排用加号串联即可：-l eng+chi_sim。注意两点：指定了哪几种语言，就必须提前装好对应语言包，否则会直接报错；Tesseract 本身不做语言检测，语言给错，识别率会明显下降——中文文档标成英文，结果基本不可用。

apt-cache search tesseract-ocr # 列出可装的语言包 apt-get install tesseract-ocr-chi-sim # 装简体中文包

大文件和烂扫描件怎么扛

大文件不用整个吞下去：--pages 2,3,13-17只处理指定页，--pages 3-end处理从第 3 页到末页，对数千页的文件按段跑是最稳妥的做法。扫描件歪斜、方向颠倒则是预处理流水线的事，四个开关按需组合（顺序无关，内部固定按 rotate → 去背景 → 校正倾斜 → 清理 执行）：

• --rotate-pages：页面整页转错方向（横竖混扫）时纠正
• --deskew：页面整体倾斜几个角度时拉直
• --remove-background：灰度/彩色图的噪声背景
• --clean/--clean-final：用 unpaper 清理噪点，后者会改变最终图像，用后要逐页检查

对用户意味着什么：烂扫描件先过一遍--deskew --rotate-pages，比盲目重扫便宜得多；而--pages让你在内存有限时也能处理几百页的合同。

数据留在哪

全部处理在本地机器完成：OCR 由本机的 Tesseract 执行，没有中间环节把文档上传到任何服务器。输入输出双向验证（--output-type pdfa时由 veraPDF 校验归档合规性），这意味着"处理完成"这四个字本身就包含"文件是合法 PDF"的承诺。对涉密、内网、离线环境，这是它相对云端 OCR 服务的根本差别。

输出文件会不会更大

不会，往往反而更小。OCR 完成后有一道默认的无损图像优化；--optimize 3下，含大量图像的扫描件输出文件比输入小一半并不罕见——下图是一次真实运行：8 页并行 OCR，最终"Total file size ratio: 2.16, savings: 53.6%"。

高频场景实战：批量扫描、无人值守与归档

场景一：一个目录的扫描件一次处理完

几百份扫描 PDF 挨个敲命令不现实，官方推荐的搭配是 GNU Parallel。-j 2是关键：parallel 和 ocrmypdf 都想用满所有核心，限到 2 个并发任务正好不超载。

parallel --tag -j 2 ocrmypdf '{}' 'output/{}' ::: *.pdf

--tag会在每行日志前打印文件名，哪份文件报错了立刻能对上号。递归处理整个目录树则换成find . -name '*.pdf' | parallel --tag -j 2 ocrmypdf '{}' '{}'。完整方案见 docs/batch.md。

场景二：扫描器一落文件就自动 OCR（无人值守）

团队场景：网络扫描仪把文件丢进共享目录，OCR 自动发生。仓库自带的watcher.py就是这个用途——指定输入/输出目录，文件落盘即处理，还可按年/月归档、成功后自动归档原件：

uv sync --extra watcher # 或 pip3 install ocrmypdf[watcher] OCR_INPUT_DIRECTORY=/mnt/in OCR_OUTPUT_DIRECTORY=/mnt/out \ python3 watcher.py

不想装依赖就用 Docker：挂载/input、/output、/processed三个卷即可，OCR_DESKEW=1顺手校正歪斜。注意 watchmedo 在网络文件系统上可能失灵，输出目录也别放在输入目录下，否则无限循环。

场景三：旧文档长期归档

档案馆、财务、法务的共同需求：格式不腐化、体积可控、可长期检索。组合拳是 PDF/A 输出 + 最高优化级 + 倾斜校正：

ocrmypdf -l deu --rotate-pages --deskew \ --output-type pdfa --optimize 3 old_contract.pdf archive.pdf

下面这份打字机扫描件的德文文档（linn.png同类的历史材料）就是典型输入——方向可能错、角度可能斜，预处理开关全部打开再进 OCR 最保险。

几组常用参数组合的效果差异，一张表说清：

调优与扩展：什么时候才需要它们

以下手段不是日常必需，按"卡在哪"对症取用。

速度优先时：默认行为里最耗时的是 PDF/A 转换和图像优化，两者都想要最快就关掉：--optimize 0 --output-type pdf --skip-big，再避开--force-ocr和图像预处理。什么时候用：批量跑几千页、先要结果再精修。

程序化集成时：跳过命令行直接用 Python API，参数是结构化传参而非拼字符串，适合嵌入自己的文档流水线：

import ocrmypdf ocrmypdf.ocr("scan.pdf", "out.pdf", languages=["eng", "chi_sim"])

接口细节见 docs/api.md。

想换 OCR 引擎时：Tesseract 不是唯一选项，插件机制允许整体替换识别引擎（社区已有 EasyOCR、PaddleOCR、Apple Vision 插件），内置插件的写法可参考 src/ocrmypdf/builtin_plugins/ 中的tesseract_ocr.py。什么时候用：某类文档（如手写体、特殊字体）Tesseract 识别率不达标时，换引擎比调参数有效。

收束

• 一条命令完成：图像原样保留，文本层可选中可搜索，输出默认是验证过的 PDF/A
• 100+ 语言由 Tesseract 语言包决定，多语言用-l eng+chi_sim式写法
• --pages切段、--deskew --rotate-pages校正、--optimize 0~3控体积，三组参数覆盖绝大多数需求
• 全部本地处理，配合 GNU Parallel 或 watcher.py 可做到批量与无人值守
• 处理成功后才覆盖文件，失败不会毁掉原件

打开终端，输入ocrmypdf --version——版本号能打出来，说明依赖齐全，找一个扫描件跑上面的三行命令吧。

【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