企业官网建设流程全解析

OCRmyPDF 批量 OCR 自动化指南：一个脚本搞定几百份扫描件

【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

手上堆了几百份扫描 PDF，一份份点开、逐个跑 OCR，手酸还容易漏。OCRmyPDF 是一款开源的 PDF 文字层工具，能给扫描件加上可搜索、可复制的文本层；它的仓库里就自带一个批处理脚本，一条命令把整个目录的 PDF 递归扫一遍，已含文本的自动跳过，处理完还留好日志，全程不用你盯着。

三步跑通批量 OCR 脚本

不用改任何代码，三步就能跑起来。

1. 把仓库克隆到本地：

git clone https://gitcode.com/GitHub_Trending/oc/OCRmyPDF

2. 进入项目目录：

cd OCRmyPDF

3. 运行 批处理脚本。不带参数时处理当前目录；要处理别的目录，把路径作为第一个参数传进去：

python3 misc/batch.py /path/to/your/pdf/directory

脚本依赖ocrmypdf库，跑之前确认它已安装。第一个参数是起始目录，第二个参数可选、用来指定日志文件。

它是怎么工作的

脚本从你给的起始目录出发，用start_dir.glob("**/*.pdf")递归往下钻，不管 PDF 藏在多深的子文件夹里，只要扩展名是.pdf就会被翻出来。

每拿到一个文件，它先做一个“值不值得跑”的判断：调用ocrmypdf.pdfa.file_claims_pdfa(filename)["pass"]看文件是否已经声明为 PDF/A、是否已经带了文字层。带文字的直接记一句“已包含文本，跳过”，省下一整轮 OCR。就算这一步没拦住，后面真正调用ocr时抛出的PriorOcrFoundError也会被兜住，照样跳过，不会重复加工。

真正需要处理的文件，脚本会先做一份备份：把原件拷到归档目录，确保就算这次 OCR 出问题，原始扫描件也还完好。备份完再调用 ocr API 定义 里的ocr()，脚本里固定用了deskew=True，也就是让倾斜的页面先自动校正，识别更准。整个过程——几点几分开始、处理哪个文件、结果如何——都追加写进日志，方便你事后回看。

核心循环就这几行，改参数也主要在这里动手：

for filename in start_dir.glob("**/*.pdf"): logging.info(f"Processing {filename}") if ocrmypdf.pdfa.file_claims_pdfa(filename)["pass"]: logging.info("Skipped document because it already contained text") else: # 先备份原件到 archive_dir，再跑 OCR try: result = ocrmypdf.ocr(filename, filename, deskew=True) logging.info(result) except ocrmypdf.exceptions.EncryptedPdfError: logging.info("Skipped document because it is encrypted") # 其余异常（数字签名、已标记 PDF 等）同理捕获

自定义归档与日志路径

脚本顶部和命令行参数里留了几个口子，大多数时候你不用动，但有两种情况值得改。

• 归档目录archive_dir：默认值是/pdfbak，用来存原件备份。当你需要给重要文档留底时，把它改成你自己的绝对路径即可；如果压根不想备份、只想就地 OCR，把它设为空字符串""，脚本就跳过备份这一步。
• 日志文件：默认写到项目目录下的ocr-tree.log。想换位置，运行时把第二个参数传进去就行：

python3 misc/batch.py /path/to/pdf/directory /path/to/logfile.log

• 起始目录：第一个参数。不传就用当前目录，适合你想从某个根目录一次性扫全树的场景。

三类真实落地场景

• 企业文档管理：把一整年的发票、合同扫描件丢进一个目录，跑一次脚本，全部变成可搜索 PDF。之后直接搜“发票号”“金额”“抬头”，几秒定位，不用翻几十页。
• 学术论文扫描件：研究者手里常有成堆的老论文扫描版，批量转成文本层后就能复制引用、做笔记、提取关键词，省去一个字一个字敲的功夫。
• 机构档案数字化：政府或单位归档的纸质档案扫描件，用脚本批量加上文字层并留好原始备份，归档和检索都能自动化，原始数据安全也有保障。

常见现象排查

现象：处理速度慢原因：默认会把工作铺到所有核心上，文件多、页数大时显得吃力。 解法：调小jobs参数控制并发文件数；用image_dpi降低渲染分辨率；不需要的功能关掉，比如把remove_background、rotate_pages设为False。

现象：部分 PDF 被跳过或报错原因：脚本对几类文件是“主动放过”而非失败——加密 PDF 抛EncryptedPdfError、已签名 PDF 抛DigitalSignatureError、已含文字抛PriorOcrFoundError、已标记的 PDF 抛TaggedPDFError，都会被捕获后记录并跳过。 解法：加密文件先解密再处理；损坏文件先用 PDF 修复工具修好；单文件内存不足时考虑分批或换更充裕的机器重跑。

现象：日志文件越滚越大原因：默认级别是INFO，每个文件的每个动作都写一行。 解法：在logging.basicConfig里把level调成logging.WARNING或logging.ERROR，只留关键信息；定期清理旧日志也行。

一个脚本，把“几百份扫描件逐个 OCR”这件重复体力活压成一条命令，还顺带解决了留底、去重、追溯三个隐患。想更进一步的话，可以照着 批处理脚本 的写法给它加参数解析、多线程、按语言分目录，甚至接一个watcher监听新文件自动入队——ocr函数里那一大串可选参数（语言、分辨率、优化级别、PDF 输出类型）几乎给了你全部的定制空间。

【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