企业官网建设流程全解析

OCRmyPDF｜免费给扫描PDF补上可搜索的文本层

【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

扫描合同想找一条款，搜索框却什么都搜不到——因为 PDF 里塞的是图片，不是文字。OCRmyPDF 就是干这一件事的开源工具：给扫描版 PDF 补一层不可见的 OCR 文本，版式像素级不变，但从此可搜索、可复制、可建索引。Linux、macOS、Windows 全平台支持，完全免费。

3分钟：装好并转出第一份可搜索PDF

最短路径三步，全部是单行命令。

先装工具（它调用 Tesseract 做识别、Ghostscript 做图像处理，所以两者是前置依赖）：

pip install ocrmypdf

⚠️ Debian/Ubuntu 用户更省事：sudo apt install ocrmypdf tesseract-ocr ghostscript一条命令把程序和依赖全装好。

转换本身一条命令，输入扫描件、输出可搜索版：

ocrmypdf input_scan.pdf output_searchable.pdf

验证是否成功——从输出文件里把文字抽出来，搜一个你确定在原图里的词：

pdftotext output_searchable.pdf - | grep "关键词"

能匹配到，文本层就是真的嵌进去了；没装 poppler-utils 的话，直接在任意 PDF 阅读器里 Ctrl+F 搜同一个词也行。

按场景用

中英混排文档加文本层

一份文件中文为主、夹杂英文缩写，识别引擎只认单一语言时混排内容会认成乱码——所以要把语言组合告诉它：

ocrmypdf -l chi_sim+eng --deskew mixed.pdf mixed_ocr.pdf

• -l chi_sim+eng：用+指定多个语言（建议：先用tesseract --list-langs确认语言包已装）
• --deskew：识别前先测出页面倾斜角并校正（建议：扫描件常开，歪斜会直接拉低识别率）

💡 Tesseract 支持 100+ 种语言，但语言包要单独装：sudo apt install tesseract-ocr-chi-sim，macOS 用brew install tesseract-lang。

批量OCR一个文件夹的PDF

几十个文件挨个敲命令不现实，官方文档推荐用 GNU Parallel（先apt install parallel）并行跑：

parallel --tag -j 2 ocrmypdf '{}' 'output/{}' ::: *.pdf

• -j 2：同时最多跑 2 个进程（建议：单个文件内部--jobs已用满多核，外层留 2 个并发即可）
• --tag：每行输出前打印文件名（建议：批量必开，报错时能定位到具体文件）

💡 递归整个目录树、原地更新，以及 Windows 批处理和 Docker 的现成写法，见官方批量文档。

生成PDF/A存档版

要留十年的文件，普通 PDF 存在字体丢失、JS 依赖这些定时炸弹，归档标准是 PDF/A。默认输出已是 best-effort PDF/A-2b，想要压缩更狠的存档版：

ocrmypdf --output-type pdfa --optimize 3 archive.pdf archive_pdfa.pdf

• --output-type pdfa：强制 PDF/A 输出（建议：存档场景显式声明，比默认 auto 更稳）
• --optimize 3：最高档图像优化（建议：体积优先时开 3，日常用默认 1）

💡 PDF/A 为什么适合长期存档（禁用 JS、字体必须内嵌等细节），官方文档有专门一节。

它内部怎么干活

整条流水线五步：先分析每页需要多大分辨率才能不丢信息；用 pypdfium2 或 Ghostscript 把页面栅格化成位图；Tesseract 在位图上识别文字，产出带坐标的中间结果；再把文字精确叠回原图正下方——这是复制粘贴时字符位置准的原因；最后 Ghostscript 压缩图像、按 PDF/A 打包，输入输出都经过校验。页面里已有的文字和矢量内容不会被破坏，文字层是以"插入"而非"重画"的方式进文件的。

速查与FAQ

• 低清扫描件识别率偏低→ 嵌入图 DPI 不够，识别引擎拿到的像素糊。加--oversample 600先重采样再识别。
• 页面歪斜或整体转了 90°→ 扫描时没对齐。加--deskew --rotate-pages自动校正。
• 担心已有文本层的页被重复 OCR→ 默认行为就是跳过含文字的页，不会重复做。只有要整页强制重扫时才加--force-ocr。
• 处理慢、还嫌体积大→ 默认开着 PDF/A 转换和图像优化。求快就--output-type pdf --optimize 0。
• 黑白文档想再压小→ 加--jbig2-lossy，JBIG2 有损压缩对文字图损失很小。
• 只要纯文字副本→ 加--sidecar，会同步写出同名 .txt 文件。

写进自己程序里也现成：ocrmypdf.ocr('in.pdf', 'out.pdf', language='eng')，完整参数签名见 src/ocrmypdf/api.py。

同类工具怎么选

批量处理、要 PDF/A、文件敏感不能上云——这三个条件里占两个就选 OCRmyPDF。要交互式编辑界面，Acrobat 更顺手；只是临时转一个文件又不想装环境，在线服务够用；要深度定制识别管线再考虑 Tesseract 裸跑。

下一步

它把"扫描 PDF 搜不到字"变成一条命令的事：免费、本地跑、默认输出可存档格式。挑一份你最常翻的扫描合同，按上面的 3 分钟流程跑一遍，然后搜一个你确定在里面的词。

【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