企业官网建设流程全解析

Umi-OCR 双层PDF识别指南：离线转换一步到位

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

你有没有遇到过这种 PDF：三百页扫描件，全选复制是空白，Ctrl+F 搜不到词，只能对着屏幕逐字核对。Umi-OCR 是开源免费的离线 OCR 工具，主打把扫描 PDF 变成双层可搜索 PDF，断网也能跑，文件全程不上传。

能力速览：双层PDF 和在线转换差在哪

双层 PDF 的思路是在每页扫描件上叠一层透明文字层：你看到的还是原图，但搜索、复制都作用在文字层上，版式一点不丢。它和"导出纯文本"的区别，就在这层"看得见、却改不了"的文字。

装与启动：解压即用，免配置

从发布页下载Umi-OCR_Rapid_v2.1.5.7z，解压后双击Umi-OCR.exe即可启动；绿色便携、免安装、免配置，Windows 7 与 Linux x64 都能跑；首次启动按系统语言自动切换界面，也可以到"全局设置"里改语言、主题，或勾选开机自启。

核心工作流：把一批扫描件变成可搜索 PDF

围绕"把一份扫描 PDF 变成可搜索 PDF"这条任务，整条链路分四个阶段，全部在"文档识别"标签页里完成。

导入文件，选好格式。打开"文档识别"标签页，把 PDF 拖进左侧文件列表，支持一次拖入几十个；右侧把保存格式设成"双层 PDF"。之所以先批量导入，是因为任务按队列跑，一次提交比零散提交省事。注意：它同时认 pdf、epub、mobi、cbz 等格式，别只盯着 PDF。

参数保持默认，先跑通一次。识别语言、排版解析、页数范围都先用默认值，直接点"开始任务"，右侧会显示逐页进度。本地 CPU 下单页通常 1~3 秒，几百页一般十几分钟内跑完。先跑通再调参，能少走弯路。

验收：搜得到才算数。去输出目录打开生成的 PDF，按 Ctrl+F 搜一个你确定出现过的词，能搜到说明文字层生效了；再随机翻几页看图清不清晰。注意：能搜到、但图上字对不上位，多半是旋转页或引擎版本问题，见后面"边界与局限"。

要批量就交给 HTTP 接口。文件多到按"批"算时，别手动拖了，用本地 HTTP 接口自动跑。流程固定四步：上传 → 轮询状态 → 取下载链接 → 清理任务，接口细节见 HTTP 接口文档。

值得深挖的 3 个功能点

🔍 排版解析方案：输出怎么调才可读

它解决"识别出来的字，顺序乱、读着累"的问题。排版解析负责自动识别分栏、还原阅读顺序，决定导出文本能不能直接用。怎么调：在设置里选"排版解析方案"，默认多栏-按自然段换行适合大部分文档；遇到代码截图或等宽排版，切到单栏-保留缩进能保住缩进和行内空格。建议值：普通文档用默认，代码、日志类用单栏-保留缩进。

📌 忽略区域：框掉页眉页脚与水印

它解决"每页都有抬头、页码、水印，导出的文本脏得没法用"的问题。怎么调：点"忽略区域"，在页面上按住右键画矩形框，把页眉、页脚、水印圈进去，还能指定这些框生效的页码范围；只有整个落在框里的文字块会被丢弃，不会误伤旁边的正文。建议值：框尽量画大一点，完全包住水印可能出现的所有位置。

🔌 HTTP 接口：文件多到按批算时

它解决"几十个、上百个文件，手动一个个拖太慢"的问题。只要 Umi-OCR 在运行且开启了 HTTP 服务（默认端口 1224、仅本地），就能用代码把识别串起来。下面这段 8 行可直接改用：

import requests, time # 依赖 requests 库 BASE = "http://127.0.0.1:1224" # Umi-OCR 本地服务地址 tid = requests.post(f"{BASE}/api/doc/upload", files={"file": open("a.pdf","rb")}).json()["data"] # 上传PDF，取任务ID while True: # 轮询任务状态，直到识别完成 if requests.post(f"{BASE}/api/doc/result", json={"id": tid}).json()["is_done"]: break time.sleep(1) url = requests.post(f"{BASE}/api/doc/download", json={"id": tid, "file_types": ["pdfLayered"]}).json()["data"] # 取双层PDF下载链接 open("out.pdf","wb").write(requests.get(f"{BASE}{url}").content) # 下载并保存结果

建议值：主机保持"仅本地"，file_types填pdfLayered（要纯文本就填txtPlain）。

边界与局限：它做不到的事

• 双层 PDF 不是可编辑文档。文字层服务检索和复制，不能像 Word 那样改字。要改内容就另导一份纯文本（txtPlain）再处理。
• 重度倾斜的扫描页可能错位。识别出的文字位置与原图对不齐时，v2.1.2 起已修复旋转页坐标问题；仍错位就选"整页强制 OCR"（doc.extractionMode设为fullPage）或先校正页面。
• 大批量会吃内存，加密文档会卡住。引擎默认把内存压在系统总内存的一半以内，几百页大文件在低配机上可能卡顿；加密 PDF 会一直停在等待状态。绕行：全局设置里调低引擎线程数与内存上限；加密文档在上传参数里填password。

速查表：参数、默认值与推荐值

Umi-OCR 把"保留原图、叠上文字层"做到了解压即用、断网可跑——扫描件数字化的离线解法，就是它。

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR