OCRmyPDF：16.5K Star！快速将 PDF 文件转换为可搜索、可复制的文档的命令行工具

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！

快速阅读

1. 功能强大：OCRmyPDF 支持生成可搜索的 PDF/A 文件，保持原始图像分辨率，同时优化图像质量。
2. 多语言支持：支持超过 100 种语言，确保不同语言的文档都能准确识别。
3. 高效处理：利用多核处理和批量处理功能，快速处理大量文件。

OCRmyPDF 是什么

OCRmyPDF 是一款开源的命令行工具，专为将扫描的 PDF 文件转换为可搜索、可复制的文档。通过添加 OCR 文本层，OCRmyPDF 能够将无法直接编辑的扫描 PDF 文件变为可以搜索和编辑的格式。该工具基于 Tesseract OCR 引擎实现高效的文字识别，并支持多种语言和图像优化功能。

OCRmyPDF 还具备自动纠偏、清洁图像、旋转页面等功能，确保识别结果的准确性。它能够充分利用系统资源，通过多核处理和批量处理，快速处理大量文件，适用于各种场景下的文档管理和数字化需求。

OCRmyPDF 的主要功能

• 生成可搜索的 PDF/A 文件：从普通 PDF 文件生成可搜索的 PDF/A 文件，同时保持原始嵌入图像的分辨率。
• 多语言支持：支持超过 100 种语言，用户可以根据文档的语言选择合适的语言包，提高 OCR 的准确率。
• 图像优化：OCRmyPDF 可以优化 PDF 中的图像，包括调整分辨率、压缩图像大小等，生成更小的文件，保持图像质量。
• 纠偏和清洁：在执行 OCR 之前，OCRmyPDF 可以对图像进行纠偏（纠正倾斜）和清洁（去除污点、噪点等），提高 OCR 的准确率。
• 旋转页面：自动检测页面的方向并旋转页面，确保所有页面的方向一致，便于阅读和处理。
• 多核处理：默认利用所有可用的 CPU 核心进行处理，提高了处理速度，适合处理大型文件或批量任务。
• 批量处理：可以结合 GNU 并行工具或其他脚本，批量处理多个 PDF 文件，提高工作效率。
• 数据安全性：OCRmyPDF 完全离线运行，数据存在用户的本地设备，确保数据安全和隐私。
• 灵活的命令行选项：提供丰富的命令行选项，用户可以根据需求调整 OCR 的行为，例如跳过已包含文本的页面、设置图像质量等。

OCRmyPDF 的技术原理

• 预处理：在正式进行 OCR 识别之前，OCRmyPDF 会对输入的 PDF 文件进行预处理。包括对图像进行去噪、锐化、纠偏等操作，提高后续字符识别的准确性。
• 图像提取与分割：OCRmyPDF 使用 Poppler 库将 PDF 文件中的页面转换为图像。然后，程序会将图像中的文字区域分割出来，分别对待每一个可能包含字符的部分。
• OCR 识别：OCRmyPDF 基于 Tesseract OCR 引擎进行字符识别。Tesseract 会提取字符图像的关键特征，如形状、边缘等信息，将这些特征与数据库中存储的标准字符模板进行比对，确定每个字符的具体内容。

如何运行 OCRmyPDF

1. 安装 OCRmyPDF

OCRmyPDF 支持多种操作系统，安装方法如下：

2. 使用 OCRmyPDF

以下是一些常用的命令示例：

# 添加 OCR 层并转换为 PDF/A
ocrmypdf input.pdf output.pdf

# 将图像转换为单页 PDF
ocrmypdf input.jpg output.pdf

# 在原文件基础上添加 OCR（仅在成功时修改文件）
ocrmypdf myfile.pdf myfile.pdf

# 使用非英语语言进行 OCR（查找 ISO 639-3 代码）
ocrmypdf -l fra LeParisien.pdf LeParisien.pdf

# 处理多语言文档
ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf

# 纠正倾斜的页面
ocrmypdf --deskew input.pdf output.pdf

资源

• GitHub 仓库：https://github.com/ocrmypdf/OCRmyPDF
• 官方文档：https://ocrmypdf.readthedocs.io/en/latest/index.html

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！