5分钟给扫描PDF加上可搜索文本层：OCRmyPDF 完整使用指南

5分钟给扫描PDF加上可搜索文本层：OCRmyPDF 完整使用指南

【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

把一沓纸质合同扫进扫描仪，得到的往往是一个"能看不能搜"的 PDF：Ctrl+F 毫无反应，想引用一句话只能重新手打。OCRmyPDF 就是为这个场景准备的命令行工具——它在扫描件图像的上面叠加一层肉眼看不见的文本层，让文件从此可搜索、可复制，而你看到的页面图像保持不变。

📄 它解决的问题：给图像 PDF 补一层可搜索文字

一句话定位：OCRmyPDF 是一个 Python 命令行工具（也可作为库调用），输入扫描版 PDF，输出带文本层的 PDF。

几个值得先知道的行为：

• 输出默认是PDF/A-2b（ISO 归档标准），字体等资源全部内嵌，适合长期存档；想要普通 PDF 加--output-type pdf即可
• 自动跳过已经是数字化的页面，不会重复识别，混合文档也能直接处理
• 默认只识别英文（-l eng），通过语言参数可覆盖上百种语言，详见 docs/languages.md

下面这张是项目测试用的扫描文档样本，和你在扫描器里拿到的产物形态一致：

📦 三分钟装好：按你的系统选一行命令

三大主流平台都是一条命令的事：

# macOS（Homebrew） brew install ocrmypdf # Debian / Ubuntu / WSL apt install ocrmypdf # Fedora（tesseract-osd 是识别引擎的依赖） dnf install ocrmypdf tesseract-osd

Windows 用户建议走 WSL 或 pip 安装。各平台的完整说明、版本差异（比如 Debian 仓库缺少 JBIG2 编码器）都写在 docs/installation.md 里。

🔍 让扫描件可搜索的最短命令

装好后，最小可用命令只有两个参数：

ocrmypdf input.pdf output.pdf

它内部做了几件你不需要操心的事：逐页检测所需的分辨率和色彩空间，把页面栅格化成图像，交给 Tesseract 引擎识别文字，再把识别结果按原始坐标贴回 PDF。因为是"贴回原文件"而不是重建文件，文档元数据、向量内容、已有链接都得以保留。

处理过程实时显示进度和每页的耗时，最终还会跑一次 PDF/A 合规校验，不通过会直接报错而不是给你一个坏文件。

📐 歪了、倒了怎么修：--deskew 和 --rotate-pages

手机拍的照片、老式扫描仪的产物，常见问题是整页倾斜几度或者横过来了。两个开关各管一件事：

• --deskew：检测文本基线角度，把轻微倾斜（比如 2°~5°）旋转回正，识别率对这种歪斜非常敏感
• --rotate-pages：判断页面是 0°/90°/180°/270° 哪种方向，把横过来或倒着的整页转正

两者都打开就是针对歪斜扫描件的标准姿势：ocrmypdf --deskew --rotate-pages input.pdf output.pdf。

🧹 老文档去背景、顺手导出纯文本

泛黄的旧报纸、灰底复印件，背景杂色会拖累识别质量。--remove-background会淡化背景、突出文字。

如果除了 PDF 还想要一份纯文本（喂给全文检索、做数据整理），加--sidecar，处理完会同时产出一个 txt 文件：

ocrmypdf --sidecar notes.txt input.pdf output.pdf

注意--sidecar和--force-ocr这类"强制识别所有页面"的选项可以组合，但对已有文本层的页面强开只会得到重复的文本。

🗂️ 一次跑完整个文件夹的扫描件

单个文件是试手，真正的工作量在批量。项目内置的批处理方案是把输入输出都接到标准流上，配合find原地处理：

find . -name '*.pdf' -exec ocrmypdf '{}' '{}' \;

文件多的时候建议用 GNU Parallel 限制并发（parallel -j 2），避免几十个进程同时吃满 CPU。完整写法、Docker 版批处理都整理在 docs/batch.md；仓库里的 misc/watcher.py 还能把目录监听起来，文件一放进去自动处理。

处理完成后的效果就是上面这样的界面：进度条走完，输出校验结果：

⚙️ 原理一句话

整条链路是：用 pypdfium2 或 Ghostscript 把每页渲染成图像，Tesseract 识别，再叠回原 PDF；图像预处理（去噪、纠斜）交给 unpaper。相关外部工具的对接口子都在 src/ocrmypdf/_exec/ 目录，想看实现可以直接翻。

🚀 下一步

挑一个你手上真实的扫描件跑ocrmypdf --deskew --rotate-pages input.pdf output.pdf，然后用 Ctrl+F 搜一个你在原文里确定的词——搜到了，这篇教程就白看了。

【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