OCRmyPDF从首次运行到批量 OCR 扫描 PDF 的三步落地路径【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 是向扫描版 PDF 添加 OCR 文本层的命令行工具让纯图片的文档支持搜索和复制默认输出适合归档的 PDF/A。本文从首次运行讲起最后到批量处理整个扫描目录给你一条可复用的落地路径。上图中一次完整的处理过程8 页并行扫描、逐页 OCR、PDF/A 转换与图像优化最后报告了压缩率图中总文件大小节省 53.8%——这就是它的默认行为。OCRmyPDF 定位与适用场景档案数字化财务、法务团队把扫描的合同、票据转成可检索的 PDF/A满足归档与合规要求美国法院等机构明确要求使用 PDF/A 存档。旧文档清理个人用户处理老书扫描、信件照片顺便用--deskew、--rotate-pages纠正歪斜和旋转的页面。文档流水线组件Paperless-ngx 等文档管理系统以它为 OCR 后端新扫描件入库即自动可搜索。它基于 Tesseract 引擎支持 100 多种语言包与先转图片再重新拼 PDF的手动做法不同OCRmyPDF 是把文本层嫁接回原文件避免丢失元数据、矢量内容和图像分辨率。 OCRmyPDF 快速上手第一个可搜索的 PDF以 Debian/Ubuntu 为例安装后一条命令即可完成识别-l指定识别语言sudo apt install ocrmypdf tesseract-ocr-eng # 工具 英文语言包 ocrmypdf -l eng input.pdf output.pdf # 单文件 OCR预期输出终端逐页显示进度条结束后提示输出已通过验证在 PDF 阅读器中打开output.pdf即可选中、搜索图片里的文字。OCRmyPDF 核心工作流拆解栅格化到文本层嫁接整个流程按输入 → 处理 → 输出三段推进对应 docs/introduction.md 的说明输入扫描 PDF或直接给图片如ocrmypdf scan.jpg out.pdf会把单张图片转成单页 PDF。下图是一份典型的打字机文档扫描件正是它的标准输入。处理逐页栅格化成图像默认--rasterizer auto优先使用 pypdfium2Tesseract 对每页识别文字页面默认分发到全部 CPU 核心并行处理输出识别结果作为不可见文本层嫁接回原始 PDF 下方再做图像优化与格式校验默认产出 PDF/A-2b。因为文本层只是贴在原页面之下原始图像的分辨率、色彩和版式都不会被改动——这也是输出质量稳定的根本原因。OCRmyPDF 关键配置项详解日常使用只需盯住下面三项其余参数保持默认即可配置项作用推荐值适用场景-l LANG指定识别语言多语言用连接engfra中英混排文档中文装tesseract-ocr-chi-sim后用chi-sim--optimize NOCR 后的图像优化压缩级别 0–31默认长期归档用3在意原图像素保真用0--skip-big N超过 N 百万像素的图像直接跳过 OCR50混合文档里夹带超大图纸、蓝图页补充一点--tesseract-timeout默认限制每页 OCR 最多 180 秒超时页面会被跳过但仍会插入原图所以大图纸场景应同时调大该值。OCRmyPDF 进阶玩法热文件夹自动 OCR如果你有一台网络扫描仪或固定的收件目录可以用仓库自带的 misc/watcher.py 做投递即识别彻底省掉手动跑命令pip3 install ocrmypdf[watcher] # 安装监控扩展 env OCR_INPUT_DIRECTORY~/inbox \ OCR_OUTPUT_DIRECTORY~/processed \ python3 watcher.py # 启动文件夹监控脚本递归监控输入目录新文件落盘即触发 OCR加上OCR_OUTPUT_DIRECTORY_YEAR_MONTH1还能让结果按年/月自动分目录归档配合OCR_ON_SUCCESS_ARCHIVE可把原件移走形成完整的单机归档闭环。OCRmyPDF 常见坑与排查参考 docs/errors.md 的官方错误说明page already has text返回码 6→ 输入已含文本层 → 用--mode skip跳过已有文字页或--mode redo清除旧层重识别。Tesseract 提示打不开 config 文件 hocr → 手动拼装的 tessdata 缺少configs/目录 → 改用包管理器安装的完整语言包或补上该目录。输出明显比输入大 → PDF/A 需内嵌字体等资源且默认 O1 级别 Ghostscript 可能转码图像 → 不需要归档时加--output-type pdf。单页识别超时被跳过 → 页面过大或过复杂超过默认 180 秒 → 调大--tesseract-timeout或设--skip-big直接跳过超大页。中文识别乱码 → 语言包未装或-l未指定 → 安装tesseract-ocr-chi-sim并传-l chi-sim。生产环境建议单机批量批量处理优先用 GNU Parallel 限流parallel --tag -j 2 ocrmypdf {} output/{} ::: *.pdf。因为 parallel 和 ocrmypdf 都会吃满核心-j 2是官方文档给出的不过载起点--tag让报错能追溯到具体文件详见 docs/batch.md。把TMPDIR指向 RAM 盘如/dev/shm能减少大量中间文件对磁盘的磨损并缩短 I/O 等待Windows 用TEMP。原地覆盖ocrmypdf a.pdf a.pdf只在处理成功后才替换原件但建议仍先输出到独立目录抽检确认文本层位置正确后再覆盖。OCRmyPDF 的价值在于把识别、排版、归档、校验压缩成一条可重复的命令。装好语言包、跑通第一个文件后剩下的是按文档规模调整并发与跳过策略。延伸阅读项目官方文档入口 docs/index.md【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
OCRmyPDF从首次运行到批量 OCR 扫描 PDF 的三步落地路径【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 是向扫描版 PDF 添加 OCR 文本层的命令行工具让纯图片的文档支持搜索和复制默认输出适合归档的 PDF/A。本文从首次运行讲起最后到批量处理整个扫描目录给你一条可复用的落地路径。上图中一次完整的处理过程8 页并行扫描、逐页 OCR、PDF/A 转换与图像优化最后报告了压缩率图中总文件大小节省 53.8%——这就是它的默认行为。OCRmyPDF 定位与适用场景档案数字化财务、法务团队把扫描的合同、票据转成可检索的 PDF/A满足归档与合规要求美国法院等机构明确要求使用 PDF/A 存档。旧文档清理个人用户处理老书扫描、信件照片顺便用--deskew、--rotate-pages纠正歪斜和旋转的页面。文档流水线组件Paperless-ngx 等文档管理系统以它为 OCR 后端新扫描件入库即自动可搜索。它基于 Tesseract 引擎支持 100 多种语言包与先转图片再重新拼 PDF的手动做法不同OCRmyPDF 是把文本层嫁接回原文件避免丢失元数据、矢量内容和图像分辨率。 OCRmyPDF 快速上手第一个可搜索的 PDF以 Debian/Ubuntu 为例安装后一条命令即可完成识别-l指定识别语言sudo apt install ocrmypdf tesseract-ocr-eng # 工具 英文语言包 ocrmypdf -l eng input.pdf output.pdf # 单文件 OCR预期输出终端逐页显示进度条结束后提示输出已通过验证在 PDF 阅读器中打开output.pdf即可选中、搜索图片里的文字。OCRmyPDF 核心工作流拆解栅格化到文本层嫁接整个流程按输入 → 处理 → 输出三段推进对应 docs/introduction.md 的说明输入扫描 PDF或直接给图片如ocrmypdf scan.jpg out.pdf会把单张图片转成单页 PDF。下图是一份典型的打字机文档扫描件正是它的标准输入。处理逐页栅格化成图像默认--rasterizer auto优先使用 pypdfium2Tesseract 对每页识别文字页面默认分发到全部 CPU 核心并行处理输出识别结果作为不可见文本层嫁接回原始 PDF 下方再做图像优化与格式校验默认产出 PDF/A-2b。因为文本层只是贴在原页面之下原始图像的分辨率、色彩和版式都不会被改动——这也是输出质量稳定的根本原因。OCRmyPDF 关键配置项详解日常使用只需盯住下面三项其余参数保持默认即可配置项作用推荐值适用场景-l LANG指定识别语言多语言用连接engfra中英混排文档中文装tesseract-ocr-chi-sim后用chi-sim--optimize NOCR 后的图像优化压缩级别 0–31默认长期归档用3在意原图像素保真用0--skip-big N超过 N 百万像素的图像直接跳过 OCR50混合文档里夹带超大图纸、蓝图页补充一点--tesseract-timeout默认限制每页 OCR 最多 180 秒超时页面会被跳过但仍会插入原图所以大图纸场景应同时调大该值。OCRmyPDF 进阶玩法热文件夹自动 OCR如果你有一台网络扫描仪或固定的收件目录可以用仓库自带的 misc/watcher.py 做投递即识别彻底省掉手动跑命令pip3 install ocrmypdf[watcher] # 安装监控扩展 env OCR_INPUT_DIRECTORY~/inbox \ OCR_OUTPUT_DIRECTORY~/processed \ python3 watcher.py # 启动文件夹监控脚本递归监控输入目录新文件落盘即触发 OCR加上OCR_OUTPUT_DIRECTORY_YEAR_MONTH1还能让结果按年/月自动分目录归档配合OCR_ON_SUCCESS_ARCHIVE可把原件移走形成完整的单机归档闭环。OCRmyPDF 常见坑与排查参考 docs/errors.md 的官方错误说明page already has text返回码 6→ 输入已含文本层 → 用--mode skip跳过已有文字页或--mode redo清除旧层重识别。Tesseract 提示打不开 config 文件 hocr → 手动拼装的 tessdata 缺少configs/目录 → 改用包管理器安装的完整语言包或补上该目录。输出明显比输入大 → PDF/A 需内嵌字体等资源且默认 O1 级别 Ghostscript 可能转码图像 → 不需要归档时加--output-type pdf。单页识别超时被跳过 → 页面过大或过复杂超过默认 180 秒 → 调大--tesseract-timeout或设--skip-big直接跳过超大页。中文识别乱码 → 语言包未装或-l未指定 → 安装tesseract-ocr-chi-sim并传-l chi-sim。生产环境建议单机批量批量处理优先用 GNU Parallel 限流parallel --tag -j 2 ocrmypdf {} output/{} ::: *.pdf。因为 parallel 和 ocrmypdf 都会吃满核心-j 2是官方文档给出的不过载起点--tag让报错能追溯到具体文件详见 docs/batch.md。把TMPDIR指向 RAM 盘如/dev/shm能减少大量中间文件对磁盘的磨损并缩短 I/O 等待Windows 用TEMP。原地覆盖ocrmypdf a.pdf a.pdf只在处理成功后才替换原件但建议仍先输出到独立目录抽检确认文本层位置正确后再覆盖。OCRmyPDF 的价值在于把识别、排版、归档、校验压缩成一条可重复的命令。装好语言包、跑通第一个文件后剩下的是按文档规模调整并发与跳过策略。延伸阅读项目官方文档入口 docs/index.md【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
