扫描PDF批量变可搜索：OCRmyPDF加文本层

【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

那份 217 页的扫描版年报，Ctrl+F 输入任何词都搜不到，框选文字拖出来的是一行空白——整份文档在系统眼里就是一叠图片。OCRmyPDF 解决的就是这个：一个开源命令行工具，给扫描 PDF 批量加 OCR 文本层，处理完外观照旧，但能搜索、能复制了。

它到底在做什么

本质是一件事：逐页读出扫描件里的图片，交给 Tesseract 引擎识别文字，再把识别结果作为透明文本嵌回原页面底下。页面图片一个像素都不动，版式、注释、元数据原样保留。

它不做什么：不重排文档、不重压缩图片、不上传任何内容，全程本地跑。默认输出 PDF/A-2b——为长期存档设计的格式；只想要普通 PDF，加--output-type pdf就行。

最见功力的是这种老式打字机扫描件：

等宽字体、对比度又低，识别难度不小，但文本层只要和字形对得齐，整段复制出来照样干净。

最小可用路径

装完，第一条命令就这么短：

ocrmypdf 扫描年报.pdf 可搜索年报.pdf

打开输出文件，拖拽选中第一段文字——能选中并复制出真实文字，说明文本层已经叠上了。原文件不会被改动，结果永远写进新文件；表里没有的系统（Docker、FreeBSD 等），仓库 docs 目录里有分步安装文档。

核心能力拆解

中文识别出来全是方框：语言包没装

症状：识别结果满屏方框，或者"可搜索"三个字只出来两个。

原因：OCRmyPDF 的识别全靠 Tesseract，能认哪些语言取决于装了多少 tessdata 语言包。默认只有英文，中文包没装就写不出中文字符。

sudo apt install tesseract-ocr-chi-sim ocrmypdf -l chi_sim 合同扫描件.pdf 合同可搜索.pdf

英文中文混排写成-l eng+chi_sim，加号分隔。跑完打开输出，选中一句中文粘进记事本：是正常汉字就对了；还是方框，用tesseract --list-langs确认 chi_sim 在不在列表里。

页面横了倒了歪了：整页旋转和倾斜是两回事

整页转了 90°/180°，是--rotate-pages的活；整页只斜了几度，是--deskew的活。两者管的事不同，别指望一个开关解决所有方向问题，组合起来最稳：

ocrmypdf --rotate-pages --deskew 旧档案.pdf 旧档案_校正.pdf

旧扫描件经常整页横着、倒着出来，像上面这种密排整页的文档也不例外。跑完翻几页：标题回到水平线、正文方向对了，就算过；还差一点就调--rotate-pages-threshold的判定阈值。

一批文件排队跑：多核并行

几十个文件手动一个个敲太累。其实就两层并行：单个文件内部--jobs开多核做 OCR，文件之间让 GNU Parallel 排队：

parallel --tag -j 2 ocrmypdf '{}' 'output/{}' ::: *.pdf

一条命令把当前目录所有 PDF 写进 output 目录；--tag让日志行带上文件名，哪个文件失败一眼定位。

截图里是完整流程：扫描内容、逐页 OCR、PDF/A 转换、图像优化，进度条逐页刷新，最后给出压缩比。更多批处理写法见 docs/batch.md。

进阶技巧

⚡ 跑通之后才会想做的两件小事：

• --oversample 300：扫描分辨率低、字迹发糊时，先把页面重采样到 300 DPI 再识别，准确率明显上来；前提是原件本身别太糊。
• --pages 1-100：几百页的大文件分段跑，内存不吃紧，还能先查前一百页的效果。

ocrmypdf --oversample 300 --pages 1-100 低清大文件.pdf 前百页_可搜索.pdf

快速排错

收尾

今天就能做：找一份手头的扫描件，装上 ocrmypdf，跑ocrmypdf 输入.pdf 输出.pdf。打开输出文件选中一段文字，复制出来是真实汉字——剩下的参数都是锦上添花。

【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