企业官网建设流程全解析

OCRmyPDF 扫描 PDF OCR 实战指南：从一键安装到批量归档

【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

场景切入

手里攥着一沓 200 页的扫描版合同，想 Ctrl+F 找一句违约条款，结果一个关键词都搜不到——因为那些字只是图片。这正是扫描 PDF OCR 要解决的痛点：OCRmyPDF 会往图片底下贴一层可搜索的文本，让扫描件从「只能看」变成「能搜、能选、能复制」。它默认产出符合 ISO 标准的 PDF/A，文本位置又贴得准，复制粘贴不会错位。说白了，它就是把「图片 PDF」升级成「真正能用的 PDF」。

30 秒快速上手 🚀

先按你的系统装一下。三个平台各一条命令，装完就能跑。

apt install ocrmypdf # Linux（Debian/Ubuntu） brew install ocrmypdf # macOS（Homebrew） pip install ocrmypdf # Windows：先备好 Tesseract 与 Ghostscript

装好后，最小可用命令就长这样——输入一个文件，输出一个可搜索文件：

ocrmypdf input.pdf output.pdf

跑完你会在终端看到进度条从 0% 爬到 100%，然后得到output.pdf。把它丢进任意 PDF 阅读器，文字就能选中、能搜索了。Windows 用户注意：因为 Ghostscript 现在不再支持静默安装，得先从官网手动装好它和 Tesseract，再用pip装本体。

一条命令背后发生了什么 🔍

你敲下一条命令，OCRmyPDF 内部大致做了这几件事：

1. 读取与修复：用 pikepdf 打开输入文件，顺手把坏掉的 PDF 自动修好。
2. 逐页分析：判断每页的颜色空间、DPI，挑出真正需要 OCR 的页。
3. 栅格化：把页面渲染成图像，默认优先用 pypdfium2，缺省时回退 Ghostscript。
4. 调用 Tesseract 识别：跑 OCR，拿到每个字的文本和坐标。
5. 文本层回填：把识别结果精确铺回原图对应位置，保证可复制、不错位。
6. 可选预处理：--deskew、--clean之类在第 3 步之前生效，先把图修直修净。
7. 合成存档格式：默认输出 PDF/A-2b，长期保存不跑偏。
8. 校验输出：确认结果合法后写出文件。

一张典型的扫描文档输入，就是下面这种只有图像、没有文本的样式：

你可以试试加个--verbose，把上面每一步都打印出来看个明白：

ocrmypdf --verbose input.pdf output.pdf

常用参数速查

高频参数按功能分四组，先记这几张表就够用了。

语言 & 预处理

输出

性能 & 调试

三条组合命令，直接抄：

# 中文文档（先装 chi_sim 语言包） ocrmypdf -l chi_sim 合同.pdf 合同.pdf # 多语言混合 ocrmypdf -l eng+fra 双语文档.pdf 双语文档.pdf # 批量归档（并行 2 个任务，原地处理） find . -name '*.pdf' | parallel --tag -j 2 ocrmypdf '{}' '{}'

进阶技巧与组合玩法 🔧

sidecar 纯文本输出

不是所有场合都要 PDF，有时你只想要一段能喂给搜索或大模型的文本。--sidecar会在生成 PDF 的同时吐出一份.txt，配合--output-type none就纯出文本、不落 PDF。把 sidecar 设为-，文本直接走标准输出，方便管道串联。

ocrmypdf --sidecar - --output-type none 扫描件.pdf /dev/null

Docker 与 Paperless-ngx 集成

不想在本地装一堆依赖？官方 Docker 镜像把所有组件打包好了，而且支持把 PDF 从 stdin 读入、从 stdout 读出，彻底绕开文件权限问题。它也是 Paperless-ngx 这类文档管理系统背后做 OCR 的引擎，接进去就是「丢进去 → 自动识别 → 可检索」。详见 docs/docker.md。

docker run --rm -i jbarlow83/ocrmypdf-alpine \ --sidecar - - - < 扫描件.pdf > 文本.txt

自定义预处理流水线与批量监控

批量场景不用手写循环，docs/batch.md 给了parallel与find的现成套路。更进一步，仓库里自带一个目录监控脚本 misc/watcher.py：盯着输入文件夹，有新 PDF 进来就自动 OCR、按月归档、把原件挪走。想接更多能力，它还提供OCR_JSON_SETTINGS环境变量，把任意参数以 JSON 塞进去即可。

find . -name '*.pdf' -printf '%p\n' -exec ocrmypdf '{}' '{}' \;

除了命令行，它也是正经的 Python 库，参数集中在OcrOptions里做校验，调用示例见 src/ocrmypdf/_options.py：

import ocrmypdf from ocrmypdf import OcrOptions options = OcrOptions(input_file='in.pdf', output_file='out.pdf', deskew=True) ocrmypdf.ocr(options)

踩坑与排查 ⚠️

报错 page already has text

症状：ERROR - 1: page already has text!。原因：文件里已经有文本层了。解法：确认它其实能搜就不用动；确实要重扫就加--force-ocr，只想跳过就--skip-text。

提示 is not a valid PDF

症状：Input file 'x' is not a valid PDF。原因：文件损坏或复制不完整。解法：用 Ghostscript 重写一遍gs -o out.pdf -dSAFER -sDEVICE=pdfwrite in.pdf。

Tesseract 打不开 config 'hocr'

症状：Tesseract cannot open its config file 'hocr'。原因：手动拼的tessdata目录缺configs/子目录。解法：从完整 Tesseract 安装里把configs/拷进去，或直接改用系统包管理器装。

中文识别出一堆乱码

症状：结果全是方框或错字。原因：没装对应语言包，或语言代码写错。解法：先apt-get install tesseract-ocr-chi-sim，再ocrmypdf -l chi_sim。

内存不够 / 处理大文件卡死

症状：页数多时进程被系统杀掉。原因：默认吃满核心，大图页面耗内存。解法：-j 2降并行，或--skip-big跳过大页。

下一步

回到开头那沓搜不到字的合同：现在给它跑一条ocrmypdf -l chi_sim 合同.pdf 合同.pdf，Ctrl+F 就能命中条款了。先拿一个文件试水，顺了再上parallel批量归档。

【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