前言

相信大家都遇到过这样的情况：下载了一份扫描版的PDF文档，但是无法进行文字搜索和复制，阅读体验非常不好。特别是对于一些学习资料、研究论文或者电子书，如果不能搜索和复制，使用起来就非常不便。今天我要向大家介绍一个强大的开源工具——OCRmyPDF，它可以为扫描版PDF添加OCR文本层，让文档变得可搜索、可复制，提升阅读和研究效率。希望大家享用愉快！

目录

1. OCRmyPDF简介

OCRmyPDF是一个功能强大的开源命令行工具，它能够为扫描版PDF文件添加OCR（光学字符识别）文本层，使其变成可搜索、可复制文本的PDF文件。它的特点包括：

  • 添加可搜索文本层：将不可搜索的PDF转换为可搜索的PDF/A文档
  • 准确放置文本：OCR文本层准确放置在原图像下方，便于复制粘贴
  • 保持原始分辨率：保持原始嵌入图像的精确分辨率
  • 文件优化：通常生成比输入文件更小的文件
  • 图像预处理：支持去倾斜、清理等预处理操作
  • 多核处理：支持多核处理，提高处理速度
  • 多语言支持：通过Tesseract OCR引擎支持100多种语言，包括中文
  • 大文件处理：可以处理包含数千页的大型文件

在这里插入图片描述

2. 为什么选择OCRmyPDF？

目前市面上有很多PDF OCR工具，但OCRmyPDF有以下优势：

  1. 完全免费开源：不需要付费，没有功能限制
  2. 命令行操作：便于批量处理和自动化
  3. 高精度识别：基于Tesseract引擎，识别准确率高
  4. 多平台支持：支持Windows、macOS和Linux
  5. 活跃维护：项目活跃维护，不断更新
  6. 文件质量：输出符合PDF/A标准的高质量文档

3. 安装OCRmyPDF

下面我将详细介绍在不同系统上安装OCRmyPDF的方法，即使你是编程小白也能轻松上手！

3.1 macOS安装

方法一：使用Homebrew安装（推荐）

  1. 安装Homebrew

    打开"终端"（可以通过Spotlight搜索"终端"或在应用程序/实用工具中找到），然后复制粘贴以下命令：

    /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

    按照提示输入密码（注意：输入密码时不会显示任何字符）

  2. 安装OCRmyPDF及其依赖

    brew install ocrmypdf

  3. 验证安装

    ocrmypdf --version
方法二：使用Python的pip安装

如果你的Mac上已经安装了Python，也可以使用pip安装：

# 安装OCRmyPDF
pip install ocrmypdf

# 安装Tesseract OCR引擎
brew install tesseract

# 安装中文语言包
brew install tesseract-lang

3.2 Windows安装

方法一：使用Windows Subsystem for Linux (WSL)（推荐）

WSL允许你在Windows上运行Linux系统，这是最简单的安装方法。

  1. 安装WSL

    以管理员身份打开PowerShell，输入以下命令：

    wsl --install

    安装完成后重启电脑，会自动打开Ubuntu并设置用户名和密码。

  2. 在WSL中安装OCRmyPDF

    sudo apt update
sudo apt upgrade
sudo apt install ocrmypdf

  3. 安装中文语言包

    sudo apt install tesseract-ocr-chi-sim

  4. 验证安装

    ocrmypdf --version

  5. 如何在WSL中访问Windows文件

    Windows文件位于/mnt/c/目录下，例如访问桌面上的PDF：

    cd /mnt/c/Users/你的用户名/Desktop
ocrmypdf input.pdf output.pdf
方法二：使用Docker
  1. 下载安装Docker Desktop for Windows
  2. 打开命令提示符，创建一个文件夹存放PDF文件： 
    mkdir C:\Users\你的用户名\Desktop\pdf_ocr
cd C:\Users\你的用户名\Desktop\pdf_ocr
  3. 使用Docker运行OCRmyPDF： 
    docker run --rm -i -v "%cd%:/tmp" jbarlow83/ocrmypdf --language chi_sim /tmp/input.pdf /tmp/output.pdf

3.3 Linux安装

Ubuntu/Debian
sudo apt update
sudo apt install ocrmypdf
sudo apt install tesseract-ocr-chi-sim  # 安装中文支持
Fedora
sudo dnf install ocrmypdf
sudo dnf install tesseract-langpack-chi_sim  # 安装中文支持
Arch Linux
sudo pacman -S ocrmypdf
sudo pacman -S tesseract-data-chi_sim  # 安装中文支持

3.4 如何判断是否需要OCR？

在开始OCR之前，我们可以先判断PDF是否已经包含文本层：

  1. 使用PDF阅读器测试：打开PDF文件，尝试选择和复制文本。如果能够选择和复制文本，说明文档已经包含文本层。

  2. 使用pdfinfo工具：

    pdfinfo 文档.pdf | grep "Text"

    如果显示"contains text"，则表示文档已有文本层。

  3. 尝试搜索文本：在PDF阅读器中使用搜索功能(Ctrl+F)，如果能搜到内容，则已有文本层。

3.5 安装常见问题

3.5.1 macOS上的常见问题

  1. brew安装失败

    Error: The following directories are not writable by your user

    解决方法：

    sudo chown -R $(whoami) /usr/local/share /usr/local/lib

  2. Tesseract语言包下载慢

    如果语言包下载速度慢，可以使用清华大学镜像：

    # 临时使用
export HOMEBREW_BOTTLE_DOMAIN=https://mirrors.tuna.tsinghua.edu.cn/homebrew-bottles
brew install tesseract-lang
3.5.2 Windows上的常见问题

  1. WSL磁盘空间不足

    WSL默认分配的磁盘空间有限，处理大型PDF可能会遇到空间不足的问题：

    # 在PowerShell中查看WSL磁盘使用情况
wsl --system -d Ubuntu df -h

# 优化WSL磁盘空间
wsl --shutdown
Optimize-VHD -Path "C:\Users\用户名\AppData\Local\Packages\...Ubuntu...\LocalState\ext4.vhdx" -Mode Full

  2. WSL与Windows文件权限问题

    如果遇到权限问题，可以在WSL的/etc/wsl.conf文件中添加：

    [automount]
options = "metadata,umask=22,fmask=11"

    然后重启WSL：wsl --shutdown

4. 基本使用教程

安装完成后，让我们来学习如何使用OCRmyPDF处理PDF文件。

4.1 基本命令

最简单的使用方式是：

ocrmypdf 输入文件.pdf 输出文件.pdf

例如：

ocrmypdf scan.pdf searchable_scan.pdf

4.2 指定语言

OCRmyPDF默认使用英语识别，如果要处理中文文档，需要指定语言：

ocrmypdf -l chi_sim 中文文档.pdf 可搜索的中文文档.pdf

常用语言代码：

  • chi_sim：简体中文
  • chi_tra：繁体中文
  • eng：英语
  • jpn：日语
  • kor：韩语

如果文档包含多种语言，可以组合使用：

ocrmypdf -l chi_sim+eng 中英混合文档.pdf 输出文档.pdf

4.3 处理已有OCR的PDF

如果PDF已经包含文本（即已经做过OCR），OCRmyPDF会默认停止处理。可以使用以下选项处理这种情况：

  1. 跳过已有文本的页面：

    ocrmypdf --skip-text input.pdf output.pdf

  2. 强制重新OCR所有页面：

    ocrmypdf --force-ocr input.pdf output.pdf

  3. 改善现有OCR层：

    ocrmypdf --redo-ocr input.pdf output.pdf

4.4 图像增强选项

OCRmyPDF提供多种图像增强选项，提高OCR质量：

# 自动旋转页面
ocrmypdf --rotate-pages input.pdf output.pdf

# 矫正倾斜页面
ocrmypdf --deskew input.pdf output.pdf

# 清理页面（去除噪点）
ocrmypdf --clean input.pdf output.pdf

# 清理并保留清理后的图像
ocrmypdf --clean-final input.pdf output.pdf

# 去除背景色
ocrmypdf --remove-background input.pdf output.pdf

你也可以组合使用这些选项：

ocrmypdf --deskew --clean --rotate-pages -l chi_sim input.pdf output.pdf

4.5 实际案例：一键处理文档

下面是一个处理中文文档的完整命令示例，包含了常用的增强选项：

ocrmypdf --deskew --clean --rotate-pages --redo-ocr -l chi_sim 原始扫描.pdf 可搜索文档.pdf

这个命令会：

  1. 矫正倾斜的页面
  2. 清理页面（去除噪点）
  3. 自动旋转页面（如果方向不正确）
  4. 使用中文识别引擎
  5. 如果已有OCR文本，则尝试改善它

4.6 实战案例解析

4.6.1 案例一：处理扫描版学术论文

假设我们有一篇扫描版的学术论文"paper.pdf"，包含英文和数学公式：

ocrmypdf --deskew --clean --rotate-pages -l eng --pdf-renderer sandwich \
  --optimize 2 --output-type pdfa paper.pdf paper_searchable.pdf

命令解析：

  • --deskew：矫正页面倾斜
  • --clean：清理页面噪点
  • --rotate-pages：自动旋转页面
  • -l eng：使用英语识别
  • --pdf-renderer sandwich：使用"sandwich"渲染器，适合处理有数学公式的文档
  • --optimize 2：使用中等级别的优化
  • --output-type pdfa：输出符合PDF/A标准的文档
4.6.2 案例二：处理中文古籍扫描件

对于质量较差的中文古籍扫描件：

ocrmypdf --deskew --clean-final --remove-background --oversample 600 \
  --rotate-pages-threshold 5 -l chi_tra+chi_sim --redo-ocr \
  --jpeg-quality 85 古籍扫描.pdf 古籍_可搜索.pdf

命令解析：

  • --clean-final：清理页面并保留清理后的图像
  • --remove-background：去除背景色，提高对比度
  • --oversample 600：增加图像分辨率到600dpi
  • --rotate-pages-threshold 5：设置页面旋转的置信度阈值
  • -l chi_tra+chi_sim：同时使用繁体和简体中文识别
  • --jpeg-quality 85：设置较高的JPEG质量，保留更多细节
4.6.3 案例三：批量处理大量文档

假设我们有一个包含多个PDF文件的目录，需要批量处理：

#!/bin/bash

# 设置输出目录
mkdir -p processed_pdfs

# 遍历当前目录下的所有PDF文件
for pdf in *.pdf; do
  echo "正在处理: $pdf"
  
  # 获取文件名（不含扩展名）
  filename=$(basename "$pdf" .pdf)
  
  # 处理PDF文件
  ocrmypdf --deskew --clean --rotate-pages --skip-text \
    -l chi_sim+eng --output-type pdfa \
    "$pdf" "processed_pdfs/${filename}_OCR.pdf"
  
  # 检查处理是否成功
  if [ $? -eq 0 ]; then
    echo "✓ 成功处理: $pdf"
  else
    echo "✗ 处理失败: $pdf"
  fi
done

echo "批量处理完成!"

将上述脚本保存为batch_ocr.sh，然后执行：

chmod +x batch_ocr.sh
./batch_ocr.sh

5. 高级功能

5.1 PDF优化

OCRmyPDF提供多级优化选项，可以控制输出文件大小：

# 0 - 不进行优化
ocrmypdf -O 0 input.pdf output.pdf

# 1 - 安全无损优化（默认）
ocrmypdf -O 1 input.pdf output.pdf

# 2 - 有损JPEG和JPEG2000优化
ocrmypdf -O 2 input.pdf output.pdf

# 3 - 更激进的有损优化
ocrmypdf -O 3 input.pdf output.pdf

还可以具体控制图像压缩：

# 设置JPEG质量（1-100，值越低文件越小，质量越差）
ocrmypdf --jpeg-quality 75 input.pdf output.pdf

# 启用JBIG2有损模式（更好的压缩）
ocrmypdf --jbig2-lossy input.pdf output.pdf

5.2 处理特定页面

如果只想处理文档中的特定页面：

# 只处理第1-5页、第10页和第15-20页
ocrmypdf --pages 1-5,10,15-20 input.pdf output.pdf

5.3 生成文本侧档

如果需要单独提取OCR识别的文本：

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

5.4 设置PDF元数据

ocrmypdf --title "文档标题" --author "作者名" --subject "主题" --keywords "关键词1,关键词2" input.pdf output.pdf

5.5 批量处理

在Linux或macOS中，可以使用以下脚本批量处理一个文件夹中的所有PDF：

#!/bin/bash
for file in *.pdf; do
  echo "处理文件: $file"
  ocrmypdf -l chi_sim --deskew --clean "$file" "OCR_$file"
done

在Windows中，可以创建一个批处理文件(.bat)：

@echo off
for %%i in (*.pdf) do (
  echo 处理文件: %%i
  ocrmypdf -l chi_sim --deskew --clean "%%i" "OCR_%%i"
)

5.6 进阶技巧

5.6.1 OCR指定区域

有时我们只想对PDF中的特定区域进行OCR，可以结合其他工具：

  1. 先使用pdftoppm转换PDF为图像：

    pdftoppm -png -r 300 input.pdf page

  2. 使用图像处理工具裁剪需要OCR的区域

  3. 对裁剪后的图像进行OCR，生成文本文件：

    tesseract cropped.png output -l chi_sim

  4. 使用pdftotext提取原PDF的文本框架

    pdftotext -layout input.pdf layout.txt

  5. 使用文本编辑器合并OCR文本和原文本框架

  6. 使用工具将合并后的文本嵌入PDF

5.6.2 使用自定义Tesseract配置

OCRmyPDF允许传递自定义配置给Tesseract，以提高特定场景下的识别率。

创建一个名为custom.cfg的文件：

tessedit_char_whitelist 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ

然后使用此配置运行OCRmyPDF：

ocrmypdf --tesseract-config custom.cfg input.pdf output.pdf

这对于只包含特定字符的文档（如数字表格、财务报表等）非常有用。

5.6.3 监视文件夹自动处理

可以创建一个脚本，自动监视某个文件夹并处理新添加的PDF文件：

#!/bin/bash

watch_dir="$HOME/待处理"
output_dir="$HOME/已处理"

mkdir -p "$output_dir"

inotifywait -m -e create -e moved_to "$watch_dir" |
while read path action file; do
  if [[ "$file" =~ \.pdf$ ]]; then
    echo "检测到新文件: $file"
    ocrmypdf --deskew --clean -l chi_sim "$watch_dir/$file" "$output_dir/$file"
    echo "处理完成: $file"
  fi
done

使用前需安装inotify-tools：

sudo apt install inotify-tools  # Ubuntu/Debian

6. 常见问题排查

6.1 找不到Tesseract

错误信息：

The program 'tesseract' could not be executed or was not found on your system PATH.

解决方法：

  • 确保已安装Tesseract OCR引擎
  • 检查系统PATH变量是否包含Tesseract安装路径

6.2 文件已有文本

错误信息：

PriorOcrFoundError: page already has text! - aborting

解决方法：

  • 使用--force-ocr强制重新OCR
  • 使用--redo-ocr改善现有OCR层
  • 使用--skip-text跳过已有文本的页面

6.3 语言数据包缺失

错误信息：

Error: Invalid language 'chi_sim'

解决方法：

# Ubuntu/Debian
sudo apt-get install tesseract-ocr-chi-sim

# macOS
brew install tesseract-lang

# Fedora
sudo dnf install tesseract-langpack-chi_sim

# Arch Linux
sudo pacman -S tesseract-data-chi_sim

6.4 内存不足

对于大型PDF文件，OCR处理可能会消耗大量内存。如果遇到内存不足的问题：

# 减少并行作业数量（默认使用所有CPU核心）
ocrmypdf -j 2 input.pdf output.pdf

# 跳过特别大的页面
ocrmypdf --skip-big 20 input.pdf output.pdf

7. 最佳实践

  1. 提高OCR质量

    • 总是使用--deskew选项矫正倾斜页面
    • 对于有噪点的扫描文档，使用--clean选项
    • 确保选择正确的语言
    • 对于低质量扫描，使用--oversample 600提高分辨率

  2. 减小文件大小

    • 对于主要是文本的文档，使用-O 2或-O 3
    • 对于带有图像的彩色文档，使用--jpeg-quality 75
    • 启用--jbig2-lossy可获得更小的文件（但注意可能影响某些文字的质量）

  3. 批量处理大量文件

    • 编写自动化脚本
    • 考虑使用并行处理，但注意内存使用
    • 对于超大PDF，先拆分成小文件，处理后再合并

  4. 保存常用命令

    • 将常用命令保存为脚本或别名，方便重复使用

8. 实际应用场景

OCRmyPDF适用于多种场景：

  1. 学术研究：处理扫描版论文，使其变得可搜索，提高研究效率
  2. 文档归档：将纸质文档数字化并存档，支持全文搜索
  3. 电子书优化：优化扫描版电子书，便于阅读和检索
  4. 企业文档管理：提高文档管理系统的搜索能力
  5. 古籍数字化：将古籍扫描件转换为可搜索的数字资源

9. 总结

OCRmyPDF是一款功能强大、操作简单的PDF OCR工具，它能够帮助我们将扫描版PDF转换为可搜索、可复制文本的PDF文件，大大提升了PDF文档的使用体验。

虽然它是一个命令行工具，但通过本文的详细教程，相信大家已经掌握了基本使用方法。对于经常需要处理PDF文档的人来说，OCRmyPDF绝对是一个必备的工具。

如果你觉得这篇文章对你有帮助，请点赞、收藏并关注我，我会继续分享更多实用的技术工具和教程！

参考资料

  1. OCRmyPDF官方GitHub仓库
  2. OCRmyPDF官方文档
  3. Tesseract OCR引擎
Logo
技术共进，成长同行——讯飞AI开发者社区

技术共进，成长同行——讯飞AI开发者社区

更多推荐

cover

YOLOv8【主干网络篇·第4节】LSKNet大核卷积遥感检测专用网络！

avatar 讯飞AI开发者社区

上下文工程驱动智能体向 通用人工智能（AGI）基石

上下文工程驱动智能体向 通用人工智能（AGI）基石-摘要

avatar 讯飞AI开发者社区

人工智能赋能智能交通新时代

人工智能通过分析智能交通系统（ITS）产生的大数据，能够实现交通流预测和管理。特征工程是关键步骤，包括提取时间特征（如小时、星期几）、空间特征（如路段拓扑关系）和环境特征（如天气、节假日）。人工智能通过分析智能交通系统的大数据，显著提高了交通流预测的准确性和管理效率。随着技术的不断发展，未来的交通管理系统将更加智能化和自动化。时间序列分析是预测的基础，通过分解趋势、季节性和随机成分，可以更准确地预

avatar 讯飞AI开发者社区