企业官网建设流程全解析

OCRmyPDF 完整指南：3 条命令给扫描 PDF 加上可搜索文本层

【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

OCRmyPDF 是一个开源命令行工具，给扫描版 PDF 添加 OCR 识别的文本层，让原本只能看图的文件变成可搜索、可复制文字的可搜索 PDF。适合需要数字化扫描件、处理归档文档的工程师、档案管理员和普通用户。

先跑起来：一条命令完成第一次转换

装好就能用。Debian/Ubuntu 用户一条命令搞定：

sudo apt install ocrmypdf

其他平台可以pip install ocrmypdf，macOS/Linux 也可以用brew install ocrmypdf。装完先确认一下：

ocrmypdf --version

然后跑一条最短的真实转换命令：

ocrmypdf 扫描版.pdf 输出.pdf

处理完成后，在任意 PDF 阅读器里选中、搜索文字就都能用了，版面外观保持不变。注意 pip 装的是 Python 部分，Tesseract 等外部依赖需要用系统包管理器单独装。

参数工具箱：高频参数一张表

参数不用背，用到时查这张表：

真实场景怎么做

多语言混排文档：-l 一次指定多种语言

Tesseract 无法自动判断语言，你必须告诉它。先装好对应语言包，再一起声明：

ocrmypdf -l chi_sim+eng 合同扫描件.pdf 合同可搜索.pdf

语言包安装示例：sudo apt install tesseract-ocr-chi-sim，用tesseract --list-langs查看已装列表。

一条命令批量转换整个文件夹

仓库文档 docs/batch.md 推荐用 GNU parallel 做批处理，限制 2 个并发避免机器过载：

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

只想原地更新、逐文件串行跑，也可以：

find . -name '*.pdf' -exec ocrmypdf '{}' '{}' \;

图文混排、已有文字层：选对处理模式

文档里一部分页是图片、一部分页已有文字时，默认模式会直接报错。用-s跳过文字页；想连已有文字一起重新识别，用--force-ocr；只想给指定页做 OCR，用--pages 3-end只处理第 3 页到最后一页。

它是怎么工作的

OCRmyPDF 把每页 PDF 渲染成图像，交给 Tesseract 识别出文字和位置坐标，再把文字按原位置嵌入为不可见文本层，最后做图像压缩和 PDF/A 转换输出。整个过程原始版面不动，只是多了一层"藏在图底下的字"。

遇到问题怎么办

现象：中文全识别成乱码。原因：默认按英文（eng）识别，语言不对时结果会非常差。 解决：装中文语言包后用-l chi_sim重新处理。

现象：报错说文件已包含文字，处理中断。原因：默认--mode default遇到已有文本层会拒绝继续，防止覆盖。 解决：图文混排用-s跳过文字页，确认要重做用--force-ocr。

现象：输出文件比原文件还大。原因：嵌入文本层占空间，且默认优化等级（-O1）只做无损压缩。 解决：加--optimize 2或--optimize 3，黑白为主的文档装上 jbig2enc 编码器收益更大。

现象：提示找不到 unpaper，--clean失败。原因：unpaper 是可选外部依赖，没装。 解决：sudo apt install unpaper，或者去掉--clean参数。

现象：页面歪斜或倒置，搜索命中很怪。原因：没做预处理，文字方向没校正。 解决：加-d -r，先纠斜再旋转。

和其他工具怎么选

结论：如果你只要"识别一句话"，Tesseract 就够；如果你要的是批量产出可搜索、可归档、体积可控的 PDF，OCRmyPDF 是命令行工具里功能最完整的选择。

总结

OCRmyPDF 用一条命令就能给扫描 PDF 加文本层，再配上-l、--deskew、--optimize等参数覆盖绝大多数数字化场景。下一步建议：读 docs/cookbook.md 看更多命令组合，想深入内部可以看 src/ocrmypdf/ 源码和 src/ocrmypdf/builtin_plugins/ 里的插件实现。

【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