企业官网建设流程全解析

OCRmyPDF 免费 OCR 指南：3 分钟把扫描 PDF 变成可搜索文档

【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 是一款免费开源的命令行 OCR 工具（OCR 即光学字符识别，把图片里的文字变回可编辑文本）。它把扫描版 PDF 原样保留，只在图像下方叠一层可被搜索的隐藏文本，处理全程离线，文件不出本机。

它替你省了什么

你丢进去一个只有图片的扫描 PDF，出来的还是同一份文件，但每一页底下多了一层 OCR 文本，可以直接搜索和复制。以前用在线服务，得上传文件、排队等待、再下载回来；用手机拍照，一页一页拍还受光线限制。现在这一步省了：本地直接跑，识别交给 Tesseract 引擎（开源识别引擎），支持 100 多种语言，多页多文件排队处理。

一句话：文件留在自己机器上，质量、费用、批量三项全占优。

从零到跑通：三个系统一条命令装好

pip install ocrmypdf # Windows brew install ocrmypdf # macOS apt install ocrmypdf # Linux（Debian / Ubuntu）

Windows 上还需要 Tesseract、Ghostscript 两个依赖，具体步骤见 安装文档。

装完跑第一条命令：

ocrmypdf 扫描件.pdf 输出.pdf

怎么确认跑通了：用 PDF 阅读器打开输出文件，按 Ctrl+F 搜一个你记得的词，能命中、能选中复制，说明文本层加上了。没命中多半是语言没指定对，看下一节。

你大概率会用到的高频参数

--language：指定识别语言，决定准不准。

ocrmypdf --language chi_sim+eng 文档.pdf 输出.pdf

默认按英文识别，中文、法文等文档不加这个参数会明显失准。

--deskew+--clean-final：摆正页面，顺手去阴影去噪点。

ocrmypdf --deskew --clean-final 歪斜.pdf 输出.pdf

扫描件整页倾斜、有脏污时先预处理再识别，比硬识别准确率高。

--jobs：按 CPU 核心数并行处理，页数多时提速。

ocrmypdf --jobs 4 大文件.pdf 输出.pdf

4 核机器写 4 即可。不加就单核串行，大文件会慢不少。

两个真实场景

学术文献批量入库：研究生和档案管理员最常干这活。扫描论文、老书页码多、常有中英混排，用--language chi_sim+eng一次识别两种语言，再开--jobs 4并行，整批文件晚上挂机跑完。

歪斜票据归档：财务和记账的人手里那些又歪又脏的账单发票扫描件，直接识别错误率高。组合是--deskew先摆正、--clean-final去噪再识别，准确率明显更好。

报错速查：踩坑先看这里

其余报错可以翻 官方错误文档，按提示逐条排。

延伸阅读

想查全量参数和自定义识别流程，直接看仓库里的这两处就够了：

• 官方文档：docs/
• 内置插件实现（识别流程都在这）：src/ocrmypdf/builtin_plugins/

【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