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/OCRmyPDFOCRmyPDF 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。对比项在线 OCR 服务手机拍照识字OCRmyPDF数据位置上传到对方服务器上传云端识别全程本地文件不出机器画质常被重压缩受拍照质量限制保留原始嵌入分辨率费用多按量收费多有次数限制免费开源批量一次一个一张一张拍多页、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 # LinuxDebian / UbuntuWindows 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 CtrlF 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_simeng 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.pdf4 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_simeng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报错 / 现象大概率原因一条命令或操作提示缺少语言包对应的 Tesseract 语言包没装apt-get install tesseract-ocr-chi-sim大文件内存不足整份文件一次载入ocrmypdf --pages 1-50 大文件.pdf 部分1.pdf处理速度偏慢并行数没开或核心数给少了ocrmypdf --jobs 4 文档.pdf 输出.pdf识别结果大量乱码语言没指定或扫描件太糊加--language指定必要时--clean-final去噪其余报错可以翻 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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考