企业官网建设流程全解析

给扫描 PDF 补上可搜索文字层：OCRmyPDF 多语言 OCR 配置（3 条命令快速上手）

【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 基于 Tesseract 给扫描版 PDF 添加可搜索文字层，但默认只识别英语，中文、日文、韩文要先装语言包。财务丢来一批扫描发票，Ctrl+F 搜"合计"没反应——就是缺文字层。下面 3 条命令跑通 OCRmyPDF 多语言 OCR，之后按症状调参。

🚀 先跑通：从装语言包到第一次识别

查 Tesseract 版本与语言包

先在终端确认两件事：Tesseract 版本、已装哪些语言。

tesseract --version tesseract --list-langs

OCRmyPDF 要求 Tesseract ≥ 4.1.1，且明确不支持 5.4.0（该版本有回归问题，会直接拒绝运行）。--list-langs的输出就是已装语言包，全新安装通常只有eng和osd。语言包是.traineddata模型文件，除了英语，其他语言都得单独装。

按系统安装语言包

各平台装法不同，Debian/Ubuntu 一条 apt 命令就够，其余见表：

apt-cache search tesseract-ocr # 列出可安装的语言包 apt-get install tesseract-ocr-chi-sim # 装中文简体

Docker 用户写一个派生镜像就行：

FROM jbarlow83/ocrmypdf RUN apt-get update && apt-get install -y tesseract-ocr-chi-sim

装完再跑一次tesseract --list-langs，列表里出现chi_sim就算到位。

跑第一条中文 OCR 命令，用 Ctrl+F 验证

对一张扫描发票执行中文识别：

ocrmypdf -l chi_sim invoice.pdf invoice_ocr.pdf

打开输出文件，Ctrl+F 搜"合计"，能高亮命中就成了。个别字识别偏差不用慌，属于正常水平，下一节讲怎么压下去。

语言代码怎么读：ISO 639-2 对照

Tesseract 用 ISO 639-2 Alpha-3 三字母代码标识语言，-l参数填的就是它。

混排文档用+拼多个代码，如-l chi_sim+jpn+eng。不指定-l时默认英语；一旦指定了其他语言，记得把eng也带上，否则英文部分会漏。部分语言还有特殊变体包（jpn_vert就是一个），遇到旧字体或特殊版式时留意有没有对应包。

🔧 识别不准？按"症状 → 参数"调优

别一次全开参数，先对症状，再动一个。四个常用方向如下，tesseract_ocr.py 源码 里能找到每个参数的完整定义。

• 版面切分（PSM）：3 是全自动，常规多段落文档直接用；6 假设整页是一个统一文本块，适合单栏扫描件；11 保留原文位置，适合插图多的讲义。
• 识别引擎（OEM）：Tesseract 4+ 带 LSTM 神经网络引擎，1 为纯 LSTM，日常中文文档优先选它；0 是旧引擎，2 混合，3 自动。
• 阈值处理：仅 Tesseract 5.0+ 生效。默认 otsu（传统 Otsu 二值化）够用的就别动；背景深浅不均换 adaptive-otsu；整体对比度低用 sauvola（基于局部标准差）。
• 大图处理：Tesseract 单边上限 32767 像素。OCRmyPDF 默认会先下采样再送识别；特别大的页面若仍超时，显式加这个参数，并配合更大的--tesseract-timeout。

踩坑排查：报错与修复

现象：报Language "zh" not found一类"语言不可用"。原因：语言代码写错，zh、cn都不是有效代码，Tesseract 只认 ISO 639-2 三字母码。修复：以语言列表为准，中文简体是chi_sim：

tesseract --list-langs

现象：竖排日文整页乱序、字符错位。原因：拿横排包jpn处理竖排版面，PSM 也没匹配。修复：

ocrmypdf -l jpn_vert --tesseract-pagesegmode 5 lecture.pdf out.pdf

现象：启动即报Tesseract 5.4.0 is not supported。原因：5.4.0 存在回归问题，OCRmyPDF 拒绝该版本。修复：升级到更新的 5.x（或换受支持的旧版），再用tesseract --version确认。

现象：超大扫描页长时间无输出，最终没有文字层。原因：图像单边超过 32767 像素，或识别耗时超出 timeout（默认 180 秒）。修复：

ocrmypdf -l chi_sim --tesseract-downsample-large-images --tesseract-timeout 600 a.pdf b.pdf

进阶：用户词典与自定义模型

专有名词老被认错的，加一份用户词典：UTF-8 纯文本、每行一个词，用--user-words指过去。

echo "增值税专用发票" > words.txt ocrmypdf -l chi_sim --user-words words.txt a.pdf b.pdf

极端情况（罕见语言、特殊字体）才考虑自训模型：jTessBoxEditor 框样本 →tesstrain.sh训练出.traineddata→ 放进 tessdata 目录 → 用-l customlang调用。四步走完，模型即插即用。

速查表：按场景抄作业

先照速查表跑，哪个症状没消再回来对参数调。更多语言包与平台细节见 docs/languages.md。

【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