Umi-OCR双层PDF转换终极指南：把扫描件变成可搜索文档的完整教程

Umi-OCR双层PDF转换终极指南：把扫描件变成可搜索文档的完整教程

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

拿到一份只有图片、没有文字的扫描版PDF，复制不了、搜索不到、批注无门，工作效率瞬间被卡死。开源免费的离线OCR软件 Umi-OCR 用一张"双层PDF"给出了漂亮的解法：底层保留原始扫描图像，顶层叠加一层可搜索的透明文本，让"既像原图、又能检索"不再是奢望。这篇指南将从真实痛点切入，先讲透它背后的技术原理，再带你一步步亲手完成转换，并附上踩坑排查与进阶玩法，一文吃透这项功能。

一、三个真实场景：扫描版PDF到底有多"难用"

先别急着打开软件，我们看看几个每天都在发生的场景：

• 深夜改合同的打工人：客户发来一份100多页的盖章扫描合同，你要引用其中第37页的第2条条款，却发现全文搜不了关键词，只能一页页翻、一个字一个字敲进文档。凌晨一点，眼睛已花。
• 写论文的研究生：导师甩来20本扫描版参考文献，你想用 Ctrl+F 定位某个核心概念在哪本书的第几页，结果搜索框输入后一片空白——因为这些 PDF 里压根没有"文字"。
• 整理档案的行政人员：数千页历史档案需要数字化归档。既要原样保留公章、签名、手写批注这些"原始证据"，又要让人能按人名、日期快速检索。传统方案总得二选一。

它们的共同病根是：扫描版PDF的本质是"图片套壳"。扫描件经扫描仪/手机拍摄后，每一页就是一张大图，文档内部根本没有文本层。所以复制、搜索、提取、批注这些对普通 PDF 理所当然的操作，对它全部失灵。

而 Umi-OCR 的"双层PDF"功能，正是瞄准这个痛点而来——让扫描件既能"看"，又能"搜"。

二、破局思路：先搞懂"双层"这张数字三明治

把一份双层PDF想象成一块数字三明治，就很好理解了：

• 🍞底层是"面包"：原始扫描图像，原汁原味保留盖章、签名、图表和排版；
• 🧈中间是"酱料"：每个文字块的坐标定位信息，负责把顶层和底层"对齐贴合"；
• 🥩顶层是"肉片"：一层肉眼不可见的透明文本，供搜索引擎和复制功能读取。

人眼看到的是底层面包，电脑读到的是顶层肉片，二者通过坐标严丝合缝地重叠——这就是"双层"的含义。

把市面上常见的几种处理方案摆在一起对比，差距一目了然：

一句话概括它的核心价值：Umi-OCR 在保留原始图像的前提下，给扫描件"补"上了一层可以搜索的文本。再加上它离线运行、完全免费、支持批量处理，个人和企业都能零成本用上。

三、原理拆解：三个提问，讲透"它是怎么做到的"

知其然更要知其所以然。我们把"怎么做出来的"拆成三个递进的问题，逐个击破。

3.1 第一问：原始页面靠什么"原封不动"保留？

Umi-OCR 的 PDF 解析与生成，依赖PyMuPDF库（v2.1.5 起 Windows 版已升级到 1.24.11）。处理流程的第一步，是把 PDF 每一页渲染成一张高清位图：

import fitz # PyMuPDF，负责 PDF 的读取、渲染与合成 src = fitz.open("扫描件.pdf") for page in src: # 把原始页面渲染成高清图像，这就是"底层面包" pix = page.get_pixmap(dpi=200) image_bytes = pix.tobytes("png")

注意这里并没有"识别"任何东西——它只是把页面转成图，保证后续无论做什么处理，原始视觉内容都能被完整带回新文档。

3.2 第二问：文字是怎么被"认"出来的？

识别环节交给PaddleOCR / RapidOCR离线识别引擎。它会返回每个文字块的内容以及精确的包围盒坐标（左上角 x、y，宽高，旋转角等）：

# OCR 引擎返回：一个文字块 = 文本 + 坐标框 raw_blocks = ocr_engine.recognize(image_bytes) # 例如：[{"text": "合同编号：A-2024-001", # "box": [[120, 340], [480, 340], [480, 372], [120, 372]]}, ...]

但引擎的原始输出往往是"按图像扫描顺序"给出的零散碎片，直接写入会乱序。这时候就要请出 Umi-OCR 自研的文本块后处理模块（TBPU）——也就是界面上的"排版解析方案"：

• 多栏-按自然段换行：自动识别双栏/多栏布局，按阅读顺序重排；
• 单栏-保留缩进：适合代码截图，保留行首缩进与空格；
• 不做处理：保留 OCR 引擎原始输出。

TBPU 负责把文字块按正确阅读顺序排序、按段落合并，再配合"忽略区域"把页眉、页脚、水印等噪声文本块直接剔除，最后交给合成环节。

3.3 第三问：认出的文字怎么"贴"回去，还不挡视线？

这是最精妙的一步。合成时，Umi-OCR 会新建一个与原页同尺寸的页面，先铺上底层的原始图像，再在对应坐标处写入文本——关键是把文字颜色设为全透明（Alpha=0）：

# 双层PDF生成核心流程（伪代码，演示关键思路） import fitz def build_layered_pdf(src_path, out_path, ocr_engine, tbpu_parser): src = fitz.open(src_path) out = fitz.open() for page in src: # ① 渲染原始页面为图像 image_bytes = page.get_pixmap(dpi=200).tobytes("png") # ② OCR 识别，得到文字块+坐标 raw = ocr_engine.recognize(image_bytes) # ③ TBPU 排版解析：排序、合并段落、剔除忽略区域 blocks = tbpu_parser.process(raw) # ④ 新建同尺寸页面：先贴原图，再写透明文本 new_page = out.new_page(width=page.rect.width, height=page.rect.height) new_page.insert_image(new_page.rect, stream=image_bytes) for b in blocks: new_page.insert_text( fitz.Point(b.x, b.y), b.text, fontsize=b.font_size, color=(0, 0, 0, 0)) # 透明文本：可搜索、可复制，但不遮挡画面 out.save(out_path)

整条流水线的协作关系可以简化为：

扫描PDF ──▶ PyMuPDF 渲染页面为图像 │ ▼ PaddleOCR / RapidOCR 离线识别 ──▶ 文字块 + 坐标 │ ▼ TBPU 排版解析（排序 / 合并 / 忽略区域去噪） │ ▼ PyMuPDF 合成新PDF（底层原图 + 顶层透明文本）──▶ 双层PDF

这里还有个容易被忽略的聪明细节：如果原 PDF 本身是"电子版导出"（自带文本层），Umi-OCR 支持"仅拷贝原有文本"模式，直接搬运文字、跳过 OCR，速度会快得多。这也是内容提取模式（doc.extractionMode）存在的意义——它提供混合OCR/原文本、整页强制OCR、仅OCR图片、仅拷贝原有文本四种策略，按需选用即可。

四、版本演进：一个功能从0到1的六次迭代

翻看项目的 CHANGE_LOG.md，双层PDF能力并非一蹴而就，而是一步步打磨出来的：

可以看到，从"能用"到"好用"，坐标对齐、旋转补偿、内存控制这些细节正是拉开体验差距的地方。

五、上手实操：五步生成你的第一个双层PDF

理论铺垫完毕，接下来动手。以仓库中提供的Umi-OCR_Rapid_v2.1.5.7z为例（解压即用、无需安装）。

第1步：解压启动，顺手做好全局设置

解压后双击Umi-OCR.exe启动。进入"全局设置"标签页，确认三项：识别语言（如简体中文）、界面语言、OCR引擎插件（如 PaddleOCR-json 或 RapidOCR-json）。如果你的电脑内存有限，可在这里下调引擎内存限制，避免批量任务时卡顿。

第2步：打开批量/文档识别页，拖入文件

切换到"批量OCR"（文档识别）标签页，把 PDF 直接拖入任务列表，或点击"选择图片/添加文件"按钮选择。除了 PDF，还支持xps、epub、mobi、fb2、cbz等格式，可以多选批量导入，一次性丢几十份扫描件也没问题。

第3步：右侧面板，定制转换策略

在右侧"设置"面板中按需配置：

• 保存格式：选择"双层PDF"（另有"单层纯文本PDF"、txt、csv 等选项）；
• 识别语言：按文档内容选择，如"中文+英文"混合识别；
• 排版解析方案：普通文档选"多栏-按自然段换行"，代码截图选"单栏-保留缩进"；
• 忽略区域：框选页眉、页脚、水印区域，并指定生效的页数范围，从源头剔除干扰；
• OCR页数范围：只想处理某几页时，用pageRangeStart / pageRangeEnd精确限定。

第4步：点击"开始任务"，盯着进度条走

点击"开始任务"按钮，即可看到任务列表逐项刷新、进度条稳步推进。批量任务支持暂停/恢复（v2.1.2 起），甚至可以设置完成后自动关机/休眠，下班前挂上任务，明早直接收结果。

第5步：多维度验证转换结果

拿到输出的双层PDF后，别急着收工，做三件事确认质量：

1. 可搜索性：Ctrl+F 搜索一个文档里的专有名词，能命中即说明文本层生效；
2. 版式保真度：对比原扫描件与新文档，确认盖章、图表、分栏位置没走样；
3. 文字准确性：随机抽 5~10 处文字人工核对，重点看数字、英文、标点。

三步都通过，这份双层PDF才算真正合格。

六、高频踩坑问答：出错先别慌，对症下药

实践中最常见的几个问题，直接对照处理：

Q1：转换出来的文字和图像错位了？多半是旧版本遗留的坐标旋转/比例适配 Bug。先确认版本号，低于 v2.1.2 请更新；若仍错位，试试切换内容提取模式，或在设置中关闭方向纠正（ocr.cls）重新识别。

Q2：生成的文件体积太大？双层PDF体积 = 底层图像 + 文本层。体积大头在图像，可在引擎参数中调低"限制图像边长"（如从 4320 降到 2880），或对超长边压缩。若页面本身自带文本层，直接改用"仅拷贝原有文本"模式，能大幅瘦身。

Q3：识别准确率不理想？三个方向排查：一是确认识别语言是否选对（中英混排务必选"中文+英文"）；二是用图像工具先做去噪、纠偏预处理再导入；三是检查"忽略区域"是否误框住了正文文字块。

Q4：任务卡住或转换失败？先确认 PDF 没有加密（有密码的话需在设置中填写）；再观察任务日志，若提示资源不足，可关闭占用内存的其他程序，或在全局设置中降低引擎线程数。另外，遇到"宽高为0的异常图片"这类历史 Bug，升级到 v2.1.5 即可规避。

Q5：某几页的页眉页脚总被识别进正文？把"忽略区域"画得大一些、完全包裹水印所有可能出现的位置，并正确设置生效页数范围。注意规则是"整个文本块被包含才忽略"，区域要框住完整文字块。

七、进阶玩法：用HTTP接口把转换能力接进自己的工作流

GUI 操作之外，Umi-OCR 还提供了完整的HTTP 文档识别接口（默认端口 1224，详见 docs/http/api_doc.md），可以把它嵌入自动化脚本。标准流程是五步：查询参数 → 上传文件 → 轮询状态 → 生成并下载目标文件 → 清理任务。

import json import time import requests BASE = "http://127.0.0.1:1224" # 1. 上传扫描PDF，指定"混合提取 + 多栏自然段"策略 opts = {"doc.extractionMode": "mixed", "tbpu.parser": "multi_para"} r = requests.post( f"{BASE}/api/doc/upload", files={"file": open("扫描件.pdf", "rb")}, data={"json": json.dumps(opts, ensure_ascii=False)}, ).json() task_id = r["data"] # 2. 轮询任务状态，直到结束 while True: r = requests.post(f"{BASE}/api/doc/result", json={"id": task_id}).json() if r.get("is_done"): break time.sleep(1) # 3. 生成双层PDF并下载 r = requests.post(f"{BASE}/api/doc/download", json={"id": task_id, "file_types": ["pdfLayered"]}).json() open("双层结果.pdf", "wb").write(requests.get(r["data"]).content) # 4. 清理任务，释放服务器资源 requests.get(f"{BASE}/api/doc/clear/{task_id}")

有了这组接口，你就可以写一个"定时扫描文件夹 → 自动转双层PDF → 归档"的批处理脚本，把几千页档案的数字化变成一条无人值守的流水线。（完整示例见 docs/http/api_doc_demo.py。）

八、场景拓展：四个行业把"双层"玩出了花

• 教育领域：把扫描版教材、讲义转成双层PDF，学生可按关键词快速定位知识点，教师可在保留原版图表的基础上添加批注，原内容不被破坏。
• 法律领域：合同、判决书、历史卷宗数字化。原始签章与格式完整保留，同时支持全文检索关键条款与法律条文，多版本合同还能逐条比对。
• 医疗领域：病历、检查报告归档。手写签名与影像图表原样留存，患者姓名、诊断结果可结构化检索，满足医疗档案长期保存的合规要求。
• 企业与档案行业：海量纸质单据、报表批量扫描入库，配合 HTTP 接口自动化，构建起真正"可搜索的数字档案库"，彻底告别翻箱倒柜。

九、总结与展望

回顾全文，Umi-OCR 的双层PDF功能用一张"数字三明治"解决了扫描件的世纪难题：PyMuPDF 负责图像与PDF的解析合成，PaddleOCR/RapidOCR 负责离线识别，TBPU 排版解析负责文字排序与去噪，三者各司其职，最终产出"看得见原图、搜得到文字"的双层PDF。

而这项能力的演进也远未停止。从项目公开的开发计划看，表格识别输出 Excel、数学公式识别、多语言混合排版优化等方向都在酝酿中。不妨现在就下载 Umi-OCR，用仓库里的Umi-OCR_Rapid_v2.1.5.7z跑通第一份双层PDF——从"能复制"到"能搜索"，你与高效文档管理之间，只差这一次点击。

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR