2026/9/3 13:40:53
FEATURED · 精选文章 
OCRmyPDF让扫描PDF变得可检索【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拿到一个扫描版PDF选不中字、搜不了关键词基本只剩手敲重录一条路。OCRmyPDF 就是做扫描PDF文字识别的命令行工具给扫描件加一层可搜索的文本层原图原样保留。装好之后三条命令就能跑起来。它解决什么问题OCRmyPDF 是一个用光学字符识别给扫描件叠加可检索文本层的命令行工具。没有它时你得把每页转成图片、跑识别、再手动拼回PDF文字容易错位、图像容易被二次压缩。有了它一条命令跑完底层扫描件原样保留上面贴了一层文字CtrlC、CtrlF 都能照常工作。最小可用演示三行命令跑通首次转换先装一下Ubuntu/Debian 用apt install ocrmypdfmacOS 用brew install ocrmypdf其他发行版也有对应包。最基本的用法输入一个扫描PDF输出带文本层的可搜索PDFocrmypdf 扫描.pdf 可搜索.pdf打开输出图像和原稿一模一样但文字可以选中、可以 CtrlF 搜索终端会逐页报告进度输出默认是 PDF/A-2b 归档格式。手里只有 JPG、PNG 还没合PDF时直接把图片文件喂进去ocrmypdf 扫描页.jpg 扫描页.pdf跑完你就得到一份单页可搜索PDF不用自己先合并。这里有个坑不传-l时它默认只认英文中英混排文档要把语言码用连起来ocrmypdf -l chi_simeng 双语.pdf 结果.pdfOCRmyPDF 本体没有图形界面Docker 镜像里的 web 服务只是个演示前端命令行才是主体。 内部怎么转栅格化、识别、贴层把一个扫描页送进流水线中间就三步页面栅格化先分析每页的颜色空间和分辨率再用 pypdfium2 或 Ghostscript 把页面渲染成图像。原因很简单Tesseract 只吃图片不吃 PDF。文字识别Tesseract 认出图像里的文字和它们的坐标语言包按需安装。选它是因为成熟、免费百种以上语言支持足够覆盖常见文档。文本层重建识别结果用 fpdf2 渲染成透明文本层按原坐标贴回原PDF输出默认 PDF/A-2b工具还会在收尾时校验文件有效性。整个过程好比在扫描件上罩一层透明胶片把认出来的字一笔一画写在原字底下——底层图没动过复制时拿到的却是文字。挑两个场景落地旧文档扫描顺手校正倾斜再导出文本校对扫描件歪了、有噪点还想拿纯文本核对识别结果就在基础命令上加三个参数ocrmypdf --clean --deskew --sidecar 书.txt -l chi_tra 旧书.pdf 旧书_ocr.pdf跑完--clean去噪、--deskew扶正页面、--sidecar多导一份 .txt可搜索PDF和用于校对的文本文件一起拿到手。一文件夹扫描件发票整批处理文件夹里几百份扫描件不用写循环命令直接接受目录作输入默认并行用满所有CPU核心ocrmypdf 发票/ 发票_ocr/一次跑完输出文件在目标目录里同名就位事后直接在结果PDF里搜发票号码。选型参考与资源如果你之前用“Ghostscript 出图 Tesseract 识别 图片拼回PDF”的土办法核心差异是OCRmyPDF 把文本层写回原PDF原图不重压缩、元数据保留输出还自动做有效性校验。Ghostscript 自带的 pdfocr 设备会把整页栅格化成单一色彩空间OCRmyPDF 则逐页分析已有文字层的页面直接跳过不动。官方文档·项目介绍命令行选项参考批处理示例脚本这样扫描件就能检索了。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
OCRmyPDF：让扫描PDF变得可检索
OCRmyPDF让扫描PDF变得可检索【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拿到一个扫描版PDF选不中字、搜不了关键词基本只剩手敲重录一条路。OCRmyPDF 就是做扫描PDF文字识别的命令行工具给扫描件加一层可搜索的文本层原图原样保留。装好之后三条命令就能跑起来。它解决什么问题OCRmyPDF 是一个用光学字符识别给扫描件叠加可检索文本层的命令行工具。没有它时你得把每页转成图片、跑识别、再手动拼回PDF文字容易错位、图像容易被二次压缩。有了它一条命令跑完底层扫描件原样保留上面贴了一层文字CtrlC、CtrlF 都能照常工作。最小可用演示三行命令跑通首次转换先装一下Ubuntu/Debian 用apt install ocrmypdfmacOS 用brew install ocrmypdf其他发行版也有对应包。最基本的用法输入一个扫描PDF输出带文本层的可搜索PDFocrmypdf 扫描.pdf 可搜索.pdf打开输出图像和原稿一模一样但文字可以选中、可以 CtrlF 搜索终端会逐页报告进度输出默认是 PDF/A-2b 归档格式。手里只有 JPG、PNG 还没合PDF时直接把图片文件喂进去ocrmypdf 扫描页.jpg 扫描页.pdf跑完你就得到一份单页可搜索PDF不用自己先合并。这里有个坑不传-l时它默认只认英文中英混排文档要把语言码用连起来ocrmypdf -l chi_simeng 双语.pdf 结果.pdfOCRmyPDF 本体没有图形界面Docker 镜像里的 web 服务只是个演示前端命令行才是主体。 内部怎么转栅格化、识别、贴层把一个扫描页送进流水线中间就三步页面栅格化先分析每页的颜色空间和分辨率再用 pypdfium2 或 Ghostscript 把页面渲染成图像。原因很简单Tesseract 只吃图片不吃 PDF。文字识别Tesseract 认出图像里的文字和它们的坐标语言包按需安装。选它是因为成熟、免费百种以上语言支持足够覆盖常见文档。文本层重建识别结果用 fpdf2 渲染成透明文本层按原坐标贴回原PDF输出默认 PDF/A-2b工具还会在收尾时校验文件有效性。整个过程好比在扫描件上罩一层透明胶片把认出来的字一笔一画写在原字底下——底层图没动过复制时拿到的却是文字。挑两个场景落地旧文档扫描顺手校正倾斜再导出文本校对扫描件歪了、有噪点还想拿纯文本核对识别结果就在基础命令上加三个参数ocrmypdf --clean --deskew --sidecar 书.txt -l chi_tra 旧书.pdf 旧书_ocr.pdf跑完--clean去噪、--deskew扶正页面、--sidecar多导一份 .txt可搜索PDF和用于校对的文本文件一起拿到手。一文件夹扫描件发票整批处理文件夹里几百份扫描件不用写循环命令直接接受目录作输入默认并行用满所有CPU核心ocrmypdf 发票/ 发票_ocr/一次跑完输出文件在目标目录里同名就位事后直接在结果PDF里搜发票号码。选型参考与资源如果你之前用“Ghostscript 出图 Tesseract 识别 图片拼回PDF”的土办法核心差异是OCRmyPDF 把文本层写回原PDF原图不重压缩、元数据保留输出还自动做有效性校验。Ghostscript 自带的 pdfocr 设备会把整页栅格化成单一色彩空间OCRmyPDF 则逐页分析已有文字层的页面直接跳过不动。官方文档·项目介绍命令行选项参考批处理示例脚本这样扫描件就能检索了。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
