OCRmyPDF 实战教程三条命令让扫描 PDF 可搜索【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手头一份 200 页的扫描合同CtrlF 搜个金额结果为空。每页都只是图片文字存在但电脑读不出来。你需要的就是 OCR光学字符识别让电脑读出图片里的文字。OCRmyPDF 干的就是这件事给扫描版 PDF 加一层可搜索的文本层原图原封不动输出还能直接归档。快速上手一条命令装好 先交代环境要求就三行Python 3.10Tesseract 4.1.1底层 OCR 引擎Ghostscript 9.50负责 PDF 转换与 PDF/ADebian/Ubuntu 上最省事apt install ocrmypdf ocrmypdf scan.pdf search.pdf跑完后 search.pdf 就是结果用 PDF 阅读器打开文字可以选择、可以搜索。macOS 用brew install ocrmypdfWindows 建议先在 WSL 里跑各平台的一行安装命令见安装文档。核心用法四个真实会遇到的场景单文件加旁路文本导出。除了可搜索的 PDF还想拿一份纯文本去建索引加一个参数ocrmypdf --sidecar in.pdf out.pdf效果out.pdf 可搜索旁边自动生成 out.pdf.txt内容就是识别出来的文字。中英文混排。文档里两种语言都有用把语言代码连起来ocrmypdf -l engchi_sim doc.pdf out.pdf前提是对应的 Tesseract 语言包已装好tesseract --list-langs能列出你系统上可用的语言。批量扫一批旧文档。一整个目录的扫描件shell 循环就够输出统一放新文件名里for f in *.pdf; do ocrmypdf $f ocr_$f; done效果每份原件多一个可搜索版本。文件上千份时建议用 GNU Parallel 限并发仓库 misc/ 目录下也带了一份现成的批处理示例脚本可以照着改。归档级输出。默认输出就是 PDF/A-2b这是长期存档标准保证文档十几年后在不同软件里渲染一致法律、档案场景直接用。想少改动原文件就加--output-type pdf输出普通 PDF。进阶与排错 ⚡性能调优-j 4限制并行进程数。默认吃满全部核心大页面并发时内存会飙先降并发再说。--skip-big 200跳过超过 200 兆像素的页面高分辨率扫描件防内存溢出。常见报错page already has text→ 页面已有文本层工具拒绝重复处理。想强刷加--force-ocr想跳过文字页加--skip-text。is not a valid PDF→ 文件损坏或拷贝不完整。重新下载或用 Ghostscript 重写一遍再喂给它。Tesseract cannot open its config file→ 语言数据目录不完整多半是手动拼的 tessdata。用系统包管理器重装 tesseract 即可。更多错误场景见错误手册。装好之后先拿一份手头的扫描件试跑三分钟就能感受到区别——从那以后这份文件才算真正可搜索。【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