OCRmyPDF翻译站点

核心定位

OCRmyPDF 是一款命令行工具，专门用于为扫描版 PDF 添加 OCR 文本层。处理后的文件在视觉上与原扫描件一致，但文字内容变为可搜索、可复制、可索引。

解决什么问题

扫描仪或手机拍摄生成的 PDF 本质上是图像集合，不包含任何文字信息。这导致：

• 无法使用全文搜索定位内容
• 无法复制粘贴其中的文字
• 屏幕阅读器无法朗读，影响无障碍访问
• 文档管理系统的索引功能失效

OCRmyPDF 通过在图像下方嵌入一层不可见的文字层来解决上述问题，同时保持原始页面渲染不变。

主要特性

典型用法

基本命令十分简洁：

ocrmypdf input.pdf output.pdf

常用参数包括：

• --language eng+chi_sim：指定 OCR 语言组合
• --deskew：校正页面倾斜
• --clean：清理扫描噪点
• --skip-text：跳过已含文本层的页面，避免重复处理
• --pdfa-image-compression jpeg：控制归档格式的压缩方式

适用场景

以下情况适合使用 OCRmyPDF：

• 法律、医疗、财务等行业的纸质档案数字化
• 学术文献扫描件的整理与检索
• 政府信息公开中历史文件的电子化
• 个人文档管理，如合同、票据、信件的归档

安装与依赖

OCRmyPDF 支持 Linux、macOS 和 Windows（通过 WSL 或原生安装）。安装前需确保系统已具备：

• Python 3.8 或更高版本
• Tesseract OCR 引擎及对应语言包
• Ghostscript（用于 PDF 处理）
• 可选：unpaper（图像清理）、JBIG2 编码器（压缩优化）

多数 Linux 发行版可通过包管理器一键安装，macOS 用户可使用 Homebrew，Windows 用户可借助 pip 配合 WSL 环境运行。

使用建议

对于批量处理任务，可结合 shell 脚本或 GNU Parallel 实现流水线操作。处理前建议先对少量样本进行参数调优，确认识别质量后再规模化执行。对于本身已含文本层的 PDF，使用 --skip-text 可显著减少处理时间。