企业官网建设流程全解析

OCRmyPDF 页面旋转与纠偏：一条命令摆正歪斜的扫描页

【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

扫描回来的 PDF 有半页是横着放的，很多人的第一反应是在阅读器里一页页手动转。但有个反直觉的细节：PDF 里"横着"的页面，文件内部往往就是正着存的，只是页面字典里一行/Rotate 90让查看器把它渲染歪了。也就是说，要修的可能不是图像本身，而是这行元数据。OCRmyPDF 的--rotate-pages和--deskew两个参数自动化的正是这件事。

换个角度看，这两个开关默认都是关的。如果你跑 OCR 时从没带过它们，页面再歪，输出也原样保持——这正是不少人以为"它应该能自动摆正"却没看到效果的原因。一句话概括这个功能的价值：整批横放的扫描件，一条命令翻正；小角度歪斜，自动找平，全程不用打开任何一页。

🔍 它怎么知道页面朝向哪边

每页做 OCR 之前，OCRmyPDF 先让 Ghostscript 把该页画成一张预览图（此时已带上页面原有的/Rotate，和你肉眼看到的一致），再交给 Tesseract 的 OSD（方向与脚本检测）模块问一个问题："这页朝哪边？你有多确定？" 返回两个数：角度（0/90/180/270）和置信度。决策逻辑在 src/ocrmypdf/_pipeline.py 里，核心就这几行：

correction = orient_conf.angle % 360 if orient_conf.confidence >= options.rotate_pages_threshold and correction != 0: return correction return 0

它到底在干嘛：置信度够高且确实歪了，就返回校正角度；否则一律不动。阈值由--rotate-pages-threshold控制，默认 14.0（见 src/ocrmypdf/_defaults.py）。要留意这是 Tesseract 报告的任意单位，不是百分比，别把它当概率解读。

校正动作到底落在哪里

确定了校正角度后，OCRmyPDF 不是在原 PDF 里"转一下图"，而是把整页按校正角度渲染成正的图像，再把图像和即将生成的 OCR 文本层一起装进新页面。90/270 度时连坐标轴都要互换，这段坐标映射在 src/ocrmypdf/_graft.py 里。所以最终输出是"图像正放、文字可选中"，不再依赖查看器去解释/Rotate。

📐 只歪了几度怎么办

--rotate-pages只处理 90° 整数倍。扫描里最常见的其实是几度的小歪斜，那是--deskew的活：Tesseract 从文本行的基线估出偏斜角（实现见 src/ocrmypdf/_exec/tesseract.py），Pillow 再按这个角度旋转图像，旋出来露出的白边用白色填满。两个参数是配合关系：先把页面转到 90° 整数倍，再对小角度找平，建议一起加。

动手验证

最小命令，30 秒能看到效果：

ocrmypdf -l eng --rotate-pages --deskew in.pdf out.pdf

它到底在干嘛：加上两个开关，横放页会被翻正、小歪斜被找平，需要翻正时日志会用"page is facing →, confidence 23.5 - will rotate"这种人话告诉你做了什么。

三个容易踩的坑

• 症状：页面明明横放，却没被翻转。原因：置信度没到阈值，日志会写 "confidence too low to rotate"。应对：对该文档用--rotate-pages-threshold 10降低门槛，或接受不转。
• 症状：命令直接报错。原因：只写了--rotate-pages-threshold却没开启--rotate-pages，参数校验层会拒绝这种组合。应对：把主开关一起加上。
• 症状：地图、图表页被误判或直接跳过。原因：OSD 靠连续文本行判断朝向，几乎没有水平文字线的页面缺乏参照，Tesseract 甚至会报 "Too few characters"。应对：图表多的文档保持默认阈值，必要时按页码范围分批处理。

想再往深里走

方向检测并不是 Tesseract 一家说了算。插件体系把检测拆成了get_orientation和get_deskew两个钩子，换成自己的算法只需实现这两个方法并注册插件，扩展方式见 docs/plugins.md。仓库里还配了一个 null OCR 引擎，永远报告"无需旋转"，适合拿来做前后对比。

• --rotate-pages管 90° 整数倍翻正，--deskew管小角度找平，两者默认关闭。
• 默认置信度阈值 14，误判时看日志、调--rotate-pages-threshold。
• 内置检测覆盖不了的版式，先看插件钩子，或直接给项目提 issue 讨论。

【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