企业官网建设流程全解析

OCRmyPDF 教程：一分钟给扫描 PDF 加可搜索文字层

【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

扫描件最大的尴尬在于：鼠标拖选什么都选不中，Ctrl+F 永远没有结果，因为整页只是一张图。OCRmyPDF 是一款免费开源的命令行 OCR 工具，解决的就是"OCR 扫描 PDF"这件事：它不动原始图像，只在图像下方叠加一层可检索的隐藏文字，识别由 Tesseract 引擎完成，全程在本地跑，文件不出机器。产出是一份默认符合 PDF/A 归档标准的 PDF，既能搜索也能复制。

三个平台各一条命令装好

apt install ocrmypdf # Debian / Ubuntu / WSL brew install ocrmypdf # macOS (Homebrew) dnf install ocrmypdf # Fedora

装完输入ocrmypdf --help能看到参数列表即算成功。Windows 用户建议走 WSL 路线，Tesseract 与 Ghostscript 等依赖的安装细节见安装文档。

第一次运行：输入扫描 PDF，输出可搜索 PDF

ocrmypdf 扫描.pdf 输出.pdf

没有第三个参数就能跑，这是它和其他 OCR 工具最不同的地方。输出文件保留了原图分辨率，文字被切成小片段精确压在对应字符下方，所以复制出来的是干净文本而不是整段糊在一起。

验证文字层：搜索和复制两步

用 PDF 阅读器打开输出.pdf：

• Ctrl+F搜一个文中确实出现的词，能命中；
• 鼠标拖选一段字，能看到选区高亮，Ctrl+C粘贴到编辑器里是正常文字。

✅ 两项都通过，文字层就加好了。

参数速查：识别准不准，看这几个开关

最常见的组合是语言加预处理，一条命令搞定：

ocrmypdf -l chi_sim+eng --deskew --clean-final 文档.pdf 输出.pdf

-l接 Tesseract 的三字母语言码，加号分隔可写多个；--deskew单独开时只摆正不清理；--pages写1-50,80也能跳着选页。中文语言包要先装，各平台的具体包名见语言包文档。

多个文件和大文件的批量处理

--jobs 0是默认值，意思是按可用核心数并行。手头有几个票据扫描件时，用--output-folder一次入队，结果按原名落进指定目录：

ocrmypdf --jobs 4 --output-folder 输出目录/ 票据1.pdf 票据2.pdf 票据3.pdf

几百页的大文件则优先加--pages分段跑，单段失败不影响其他段。完整的批量用法（含bisect思路的排障）在 docs/batch.md 有专门章节。

避坑清单

• 报"page already has text"：输入里已有文字层，不是故障。加--skip-text跳过文字页，或--force-ocr强制重做，两者只能选一个。
• 提示缺少语言数据：对应的 Tesseract 语言包没装，按语言包文档装上再跑--language参数。
• 大文件中途内存不足：整份文件一次载入是主因，改用--pages拆成 50 页以内的段。
• 跑得慢：先确认没在单核上串行，--jobs设为核心数；仍慢就看单页是否嵌了超高 DPI 大图，可用--image-dpi限制识别分辨率。

更多报错的完整解释在官方文档索引的 errors 章节。

下一步去哪儿

想看全部参数，跑ocrmypdf --help或翻 docs/index.md；想自定义识别流程（比如替换 OCR 引擎、跳过某些处理步骤），源码里的内置插件目录是最好的参考实现。

【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