OCRmyPDF完整指南三步把扫描版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 为扫描版 PDF 添加 OCR 文本层把无法搜索、复制的扫描件变成可检索的文档适合处理档案、合同与旧资料。最短路径一条命令得到可搜索PDF先装好环境见下节处理一份扫描件最短只需一条命令ocrmypdf scan.pdf result.pdf输入也可以是图片例如把scan.jpg换成scan.pdf的输出路径即可直接生成 PDF。这条命令会在保留原有图像与版式的前提下插入一层隐藏的文本层输出文件随即可以搜索和复制文字。之所以先跑通这一步是因为后续所有参数都是在这条命令上做加法先建立手感再谈优化不迟。三个真实场景的对应参数场景一中文文档。识别引擎靠-l参数决定语言中文必须显式指定ocrmypdf -l chi_sim 中文.pdf 输出.pdf同时中英混排时写-l engchi_sim。语言选错是识别率低的第一原因这一步决定引擎用哪套字表匹配字符。场景二扫描件质量差。-d让引擎先自动纠正页面倾斜-i在识别前清理背景杂质--oversample 300把低分辨率图像重采样到至少 300 DPI 再识别。倾斜与噪点会让引擎在断字、错位上消耗容错空间预处理得越干净识别越稳。场景三混合文档同一份 PDF 里既有扫描页又有原生文字页。加--mode skip可让已有文字的页面原样保留、只对纯图像页运行识别不加时工具遇到现有文本会直接报错拒绝处理。各平台安装步骤先装工具本体再补语言包两者缺一不可# Debian / Ubuntu / WSL sudo apt install ocrmypdf # Fedora sudo dnf install ocrmypdf tesseract-osd # macOS 与 Linux 通用 brew install ocrmypdf语言包是 Tesseract 的独立组件中文环境还需sudo apt install tesseract-ocr-chi-sim。发行版仓库里的版本偏旧需要最新版时可以用 uv 升级细节见 docs/installation.md。常见报错与避坑现象报page contains text类错误。原因OCRmyPDF 默认不做二次识别防止覆盖已有文字。处理加--mode redo它会移除旧的隐藏层再重新识别只想跳过文字页则用--mode skip。现象中文识别结果为空或乱码。原因缺chi_sim语言包此时-l参数不生效。处理装好包再重试并用tesseract --list-langs确认语言列表。现象超大扫描件中途内存不足。原因Tesseract 按像素量分配内存页面像素越大越吃内存。处理加--skip-big 50跳过超过 50 MPixel 的页面该页原样保留在输出中或调小并行进程数。值得深挖的方向稳定后值得看三块PDF/A-2b 存档格式输出默认可长期归档、插件系统在 src/ocrmypdf/builtin_plugins/ 可见内置实现、批量与 API 用法misc/batch.py 提供脚本示例。完整参数说明在 docs/api.md。跑一遍ocrmypdf --help确认本机可用参数后再处理真实文档。【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/OCRmyPDF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考