OCRmyPDF 完全教程3 条命令给扫描 PDF 加上可搜索的文字层【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如果你有一批扫描出来的 PDF翻得动、却搜不到、复制不到一个字OCRmyPDF 就是干这个的它是一个免费开源的命令行工具能把 OCR 文字层垫在扫描图像下面让 PDF 重新变得可搜索、可复制。它保留原始图像分辨率默认还输出 PDF/A-2b 存档格式并在收尾时自动校验输入和输出文件的合法性。下面按能装 → 能跑 → 会用参数的顺序带你走一遍。从安装到第一次转换的最快路径装好之后一条命令就能跑通这条命令帮你完成的是给扫描件加上文字层这一件事。# Debian / Ubuntu apt install ocrmypdf # macOS brew install ocrmypdf # 转换 ocrmypdf 扫描件.pdf 可搜索版.pdf执行成功时终端会依次显示扫描、OCR、转换、优化四个阶段的进度条最后打印文件体积的压缩比例并确认输出是符合预期的 PDF/A-2b 文件。如果你手头只有 JPG、PNG 图片直接把图片路径填进去同样能得到带文字层的单页 PDF。另外输入输出写同一个文件名可以原地处理——只有成功时文件才会被改写失败时原件不动适合胆大心细地批量刷旧档。处理多语言文档时先装语言包识别能力由 Tesseract 语言包提供不指定时默认按英语eng识别中文文档会因此识别得一塌糊涂。先把对应语言包装上再用-l参数按 ISO 639-3 代码点明文档里的语言apt install tesseract-ocr-chi-sim ocrmypdf -l engchi_sim 双语资料.pdf 输出.pdf四个最值得记住的参数其余参数先不管这四个覆盖了日常九成场景参数作用--output-type pdf不想输出存档格式时改用普通 PDF体积略小--optimize 1\~3压缩强度默认 1数字越大文件越小--deskew、--clean校正歪斜页面、清理噪点扫描件质量差时先上这两个--sidecar同步导出纯文本文件方便单独校对识别结果--jobs不用特意设置程序默认就会把工作分派到所有 CPU 核心上多核机器处理大批量文件时自然更快。它适合谁又在哪里会碰壁先说边界。OCRmyPDF 基于 Tesseract这套组合不识别手写体双栏这类复杂版式的阅读顺序也可能被它读乱扫描件本身糊识别结果就糊输入质量决定输出质量。对手写档案、或者需要逐字校对级精度的专业数字化工作它只能作为初稿工具。它真正对口的场景是成百上千份扫描文档要归档入库、需要一份能放很多年不担心格式过时的存档件、扫描流程末端要自动接上 OCR以及把它嵌进自己的脚本或文档管理系统里跑。后两种玩法项目里都有现成参考。继续往下走的入口官方文档目录docs/完整参数说明docs/apiref.md批量处理与监听文件夹方案docs/batch.md配套的现成脚本在 misc/batch.py大文件提速技巧docs/performance.md输出体积偏大时docs/optimizer.md下一步可以拿一份你真实的扫描件跑一次基础命令重点看终端末尾打印的体积优化比例和 PDF/A-2b 校验结果如果输出明显偏大再打开优化章节调整--optimize等级。【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 完全教程：3 条命令给扫描 PDF 加上可搜索的文字层
OCRmyPDF 完全教程3 条命令给扫描 PDF 加上可搜索的文字层【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如果你有一批扫描出来的 PDF翻得动、却搜不到、复制不到一个字OCRmyPDF 就是干这个的它是一个免费开源的命令行工具能把 OCR 文字层垫在扫描图像下面让 PDF 重新变得可搜索、可复制。它保留原始图像分辨率默认还输出 PDF/A-2b 存档格式并在收尾时自动校验输入和输出文件的合法性。下面按能装 → 能跑 → 会用参数的顺序带你走一遍。从安装到第一次转换的最快路径装好之后一条命令就能跑通这条命令帮你完成的是给扫描件加上文字层这一件事。# Debian / Ubuntu apt install ocrmypdf # macOS brew install ocrmypdf # 转换 ocrmypdf 扫描件.pdf 可搜索版.pdf执行成功时终端会依次显示扫描、OCR、转换、优化四个阶段的进度条最后打印文件体积的压缩比例并确认输出是符合预期的 PDF/A-2b 文件。如果你手头只有 JPG、PNG 图片直接把图片路径填进去同样能得到带文字层的单页 PDF。另外输入输出写同一个文件名可以原地处理——只有成功时文件才会被改写失败时原件不动适合胆大心细地批量刷旧档。处理多语言文档时先装语言包识别能力由 Tesseract 语言包提供不指定时默认按英语eng识别中文文档会因此识别得一塌糊涂。先把对应语言包装上再用-l参数按 ISO 639-3 代码点明文档里的语言apt install tesseract-ocr-chi-sim ocrmypdf -l engchi_sim 双语资料.pdf 输出.pdf四个最值得记住的参数其余参数先不管这四个覆盖了日常九成场景参数作用--output-type pdf不想输出存档格式时改用普通 PDF体积略小--optimize 1\~3压缩强度默认 1数字越大文件越小--deskew、--clean校正歪斜页面、清理噪点扫描件质量差时先上这两个--sidecar同步导出纯文本文件方便单独校对识别结果--jobs不用特意设置程序默认就会把工作分派到所有 CPU 核心上多核机器处理大批量文件时自然更快。它适合谁又在哪里会碰壁先说边界。OCRmyPDF 基于 Tesseract这套组合不识别手写体双栏这类复杂版式的阅读顺序也可能被它读乱扫描件本身糊识别结果就糊输入质量决定输出质量。对手写档案、或者需要逐字校对级精度的专业数字化工作它只能作为初稿工具。它真正对口的场景是成百上千份扫描文档要归档入库、需要一份能放很多年不担心格式过时的存档件、扫描流程末端要自动接上 OCR以及把它嵌进自己的脚本或文档管理系统里跑。后两种玩法项目里都有现成参考。继续往下走的入口官方文档目录docs/完整参数说明docs/apiref.md批量处理与监听文件夹方案docs/batch.md配套的现成脚本在 misc/batch.py大文件提速技巧docs/performance.md输出体积偏大时docs/optimizer.md下一步可以拿一份你真实的扫描件跑一次基础命令重点看终端末尾打印的体积优化比例和 PDF/A-2b 校验结果如果输出明显偏大再打开优化章节调整--optimize等级。【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