OCRmyPDF 实用指南

核心定位：开源、安全、高效的命令行 PDF OCR 工具，Python 开发，底层基于 Tesseract OCR、Ghostscript、qpdf。

📜 开源协议：MPL-2.0（可商用，修改源码需公开）

一、主要功能

OCRmyPDF 不仅仅是简单的文字识别，它专注于“增强 PDF"：

1. 生成可检索 PDF/A：默认输出存档标准 PDF/A，也可切换为普通 PDF。
2. 图像智能预处理：

• 自动纠偏（--deskew）
• 页面旋转校正（--rotate-pages）
• 降噪与对比度增强

1. 多语言混合识别：支持中英文混扫（-l chi_sim+eng）及百种语言。
2. 性能优化：

• 批量/单文件处理
• 原地覆盖输出（-f）
• 多核 CPU 加速（--jobs N）
• PDF 压缩优化

1. 输出辅助文件：导出纯文本副文件（--sidecar）。
2. 高级控制：

• 跳过已有文本页面
• 强制重 OCR（--force-ocr）
• 修复损坏 PDF
• 元数据自定义

1. 部署方式：提供 Python 库 API、Docker 镜像、简易 Web 服务插件。

二、适用人群与场景

✅ 适合使用

• 程序员/运维：构建自动化档案处理、批量扫描 PDF 流水线。
• 办公/档案管理员：纸质扫描件数字化归档。
• 学生/研究员：古籍、扫描教材、论文批量文字提取。
• 私有部署需求：敏感文档本地离线处理，拒绝上传云端。

❌ 不适合使用

• 纯小白用户：无命令行基础（原生无 GUI，需安装第三方封装）。
• 单图提取需求：仅提取单张图片文字时，直接使用 Tesseract 更轻量。
• 移动端用户：无移动端客户端。

三、免费与付费说明

💰 核心程序：100% 免费

• 开源本体：所有命令行参数、Python API 全部免费。
• 无限制：无官方订阅、无付费套餐、无额度限制、无水印。
• 无定价页面：官方无任何收费渠道。
• 依赖组件：Tesseract、Ghostscript 均为开源免费。

⚠️ 第三方付费警告

• App Store 同名客户端：一次性$4.99 授权，非作者开发。
• 功能限制：仅封装命令行，不推荐。
• 风险：可能涉及隐私上传风险，建议使用官方开源版。

四、安装指南

重要提示：必须先安装系统级依赖（Tesseract、qpdf 等），仅 pip 安装会导致功能缺失。

1. Windows 用户（推荐 WSL2）

在 Windows 原生上兼容性较差，建议使用 WSL（Ubuntu）。

bash

# WSL Ubuntu 环境
sudo apt install ocrmypdf tesseract-ocr tesseract-ocr-chi-sim
# WSL Ubuntu 环境
sudo apt install ocrmypdf tesseract-ocr tesseract-ocr-chi-sim

2. macOS 用户

使用 Homebrew 快速安装。

bash

brew install ocrmypdf tesseract tesseract-lang
brew install ocrmypdf tesseract tesseract-lang

3. 通用 Python 安装

在系统依赖装好后，通过 pipx 安装 Python 包。

bash

pipx install ocrmypdf
pipx install ocrmypdf

五、使用命令示例

1. 基础 OCR

输出默认 PDF/A 格式。

bash

ocrmypdf input.pdf out.pdf
ocrmypdf input.pdf out.pdf

2. 进阶处理（多语言 + 纠偏 + 压缩）

bash

ocrmypdf -l chi_sim+eng --deskew --optimize 2 scan.pdf search.pdf
ocrmypdf -l chi_sim+eng --deskew --optimize 2 scan.pdf search.pdf

3. 强制重 OCR

若 PDF 内已有文字层，默认会跳过。如需强制重扫（将矢量文字转为图片）。

bash

ocrmypdf --force-ocr in.pdf out.pdf
ocrmypdf --force-ocr in.pdf out.pdf

4. 导出副文件

原地覆盖输出，并生成独立 TXT 文本。

bash

ocrmypdf --sidecar out.txt input.pdf
ocrmypdf --sidecar out.txt input.pdf

5. Python API 调用

极简代码示例。

python

import ocrmypdf

ocrmypdf.ocr(
    "scan.pdf", 
    "search.pdf", 
    language=["chi_sim", "eng"], 
    deskew=True
)
import ocrmypdf

ocrmypdf.ocr(
    "scan.pdf", 
    "search.pdf", 
    language=["chi_sim", "eng"], 
    deskew=True
)

六、避坑指南

1. 中文乱码 确保安装了中文语言包：tesseract-ocr-chi-sim。多语言识别时必须使用 -l 语言 1+语言 2 格式。

2. 报错 page already has text 原生带文字 PDF 默认会被跳过。需加 --force-ocr 强制重扫，注意这会破坏矢量文字层，将其转为图片。

3. Windows 兼容性问题 原生 cmd/Powershell 兼容性差，优先推荐 WSL2 或 Docker 环境。仅 pip 安装容易缺失 Ghostscript 等系统依赖。

4. 分辨率误区 300 DPI 是最优平衡点。600 DPI 以上会大幅拖慢速度，且识别精度无显著提升。

5. 隐私风险 确保使用 离线本地版。切勿使用第三方封装的 GUI 软件，避免文件被偷偷上传。

6. 大文件内存溢出 处理千页以上扫描件时，建议加 --jobs 2 限制线程，降低并行内存占用。

7. PDF/A 兼容性 若部分老旧阅读器打不开，可加 --output-type pdf 输出普通 PDF 格式。

8. 文件损坏风险 使用原地覆盖（-f）时，若程序中途崩溃会损坏原文件。建议先生成新文件再手动替换。

9. 复杂版面识别错位 多栏文档识别异常时，尝试加 --pagesegmode 6 调整版面分割模式。

10. 安装失败 若安装报错，请检查是否安装了系统级组件（Tesseract、qpdf、unpaper）。