一、工具简介

OCRmyPDF 是一款开源命令行工具，专为扫描版 PDF 文件添加可搜索的 OCR 文本层，使其支持文字搜索、复制和粘贴功能。它基于 Tesseract OCR 引擎，支持超过 100 种语言，并能优化图像质量、校正页面倾斜，生成符合长期存储标准的 PDF/A 格式文件。

二、核心功能

1. 生成可搜索的 PDF/A 文件

   • 在原始图像层上叠加透明文本层，保留原始分辨率。
   • 输出文件符合 PDF/A 标准，适合长期存档。

2. 多语言支持

   • 支持中文、英文、法文等 100+ 语言，需安装对应 Tesseract 语言包。

3. 图像优化与纠偏

   • 自动校正：修复页面旋转（--rotate-pages）、拉直倾斜文本（--deskew）。
   • 去噪处理：清除扫描件污点，提升 OCR 准确率。

4. 高效处理与批量操作

   • 多核并行处理（--jobs 4），加速大型文件处理。
   • 支持批量处理，可结合 GNU Parallel 工具。

5. 数据安全

   • 完全离线运行，不依赖云端服务。

三、安装方法

1. 系统要求

• 支持操作系统：Linux、macOS、Windows、FreeBSD。
• 依赖环境：Python 3.8+、Ghostscript、Tesseract OCR。

2. 安装步骤

• Linux（Debian/Ubuntu）

  sudo apt-get install ocrmypdf  
  

  引用来源：。

• macOS

  brew install ocrmypdf  
  

  引用来源：。

• Windows

  1. 安装 Python 和 Tesseract OCR；
  2. 执行命令：

     python3 -m pip install ocrmypdf  
     

  引用来源：。

四、使用教程

1. 基础命令

• 单文件处理

  ocrmypdf --rotate-pages --deskew input.pdf output.pdf  
  

  • --rotate-pages：自动旋转页面方向。
  • --deskew：校正倾斜页面。

• 多语言混合文档

  ocrmypdf -l eng+chi_sim input.pdf output.pdf  
  

  • -l 参数指定语言代码（如 chi_sim 为简体中文）。

• 覆盖原文件（谨慎使用）

  ocrmypdf --force-ocr myfile.pdf myfile.pdf  
  

  引用来源：。

2. 进阶功能

• 批量处理文件夹

  find ./scans -name "*.pdf" -exec ocrmypdf --jobs 4 {} {}.ocr.pdf \;  
  

  引用来源：。

• 生成高压缩文件

  ocrmypdf --optimize 3 input.pdf output.pdf  
  

  • --optimize 级别 1-3，数值越高压缩率越高。

五、应用场景

1. 学术研究

   • 将纸质文献转换为可搜索 PDF，快速定位关键词。

2. 企业档案管理

   • 批量处理合同、发票，建立可检索的电子档案。

3. 法律与商务

   • 搜索法律条款、合同内容，提升工作效率。

4. 历史档案保护

   • 数字化古籍和旧文件，避免物理损坏。

六、注意事项

1. 文件类型限制

   • 仅支持扫描版 PDF 或图像，无法处理已含文本层的 PDF。

2. 语言包安装

   • 需单独安装 Tesseract 语言包（如中文包 tesseract-ocr-chi-sim）。

3. 系统权限问题

   • macOS 用户若安装失败，需关闭 SIP 保护（恢复模式执行 csrutil disable）。

七、同类工具对比

引用来源：。

八、常见问题处理

1. OCR 识别错误

   • 安装更高精度语言包（如 tesseract-ocr-chi-tra 繁体中文）。
   • 调整预处理参数（如 --clean 去噪）。

2. 处理速度慢

   • 增加 --jobs 参数值，利用多核 CPU。

3. 输出文件过大

   • 使用 --optimize 和 --image-dpi 150 降低分辨率。

参考来源：
：OCRmyPDF 官方文档及技术社区分析（2025年最新版）。