企业官网建设流程全解析

扫描PDF变可搜索：OCRmyPDF 的 3 个高频任务一次讲清

【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 是面向扫描PDF做OCR的命令行工具：它用 Tesseract 引擎识别页面文字，把结果以隐形文本层叠在原图下方，让你可以搜索、复制，同时保留原始排版。如果你手里有一堆扫描件、老打字机页面或票据，这篇教程能帮你 5 分钟跑通它。

一页搜不到字的旧文档

上图是一张老打字机排版的菜谱页。把它扫进PDF后，它就变成一张大图片：选不中文字、Ctrl+F 找不到词、想复制一段只能手动重打。

OCRmyPDF 解决的就是这件事。处理完后，这页上的文字可以正常搜索和复制，外观仍和原扫描件一致。整个过程在本地完成，文件不出你的机器。

装好就能用

最短安装路径（Debian/Ubuntu）：

apt install ocrmypdf

macOS 用户用brew install ocrmypdf即可，包管理器会一并装好 Tesseract 引擎。想从源码构建的话，git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF 然后执行pip install .。

装完先跑ocrmypdf --help，全部参数和说明都在里面。

最常用的 3 个任务

单文件：一条命令加可搜索文本层

ocrmypdf -l eng input.pdf output.pdf

-l eng告诉引擎文档语言是英语。输出默认是 PDF/A 文件（PDF/A 是为长期归档设计的PDF标准子集），并自动通过格式校验。

上图是一次真实运行：8 页并行处理，全程显示进度条，结尾报告输出文件是合规的 PDF/A-2B。

混合内容：--skip-text 跳过已有文本页

有些PDF里部分页面已经有文本层。默认模式下，OCRmyPDF 检测到已有文字会直接报错拒绝处理。加--skip-text就会跳过含文字的页、只识别纯图像页；如果你想整页重新识别，改用--force-ocr。

批量处理：find 一条命令扫全文件夹

官方批量文档给出的就地处理写法（文件本身既当输入也当输出，只在成功时才覆盖原文件，见 docs/batch.md）：

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

文件多时可用 GNU parallel 同时跑两个任务，官方示例脚本在 misc/batch.py，还带目录树遍历版本。

⚠️ 3 个高频坑

• 报错"页面已包含文字"原因：默认模式检测到已有文本层，拒绝覆盖。 解法：--skip-text跳过文字页，或--force-ocr强制整页重识别。

• 识别乱码、文字错位原因：扫描件模糊，或没指定正确语言。 解法：加--oversample 600提升识别分辨率，并装对应语言包，如中文简体apt-get install tesseract-ocr-chi-sim。

• 大文件处理慢原因：默认会分发到所有CPU核心并行，大文件同时占内存。 解法：用--pages 1-50只处理指定页码，或用--jobs 1限制核心数。

扫描文档数字化里最费事的"可搜索文本层 + 归档格式"这一步，OCRmyPDF 用一条命令就解决了。想改行为或扩展功能，可以读 src/ocrmypdf/builtin_plugins/ 里的内置插件实现，完整参数说明在 docs/。

【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