在工作中，我们常常遇到各种各样的PDF文件，其中不乏一些扫描版的文档。

而在处理扫描的 PDF 文件时，虽然文件内容看似完整，但你却无法复制、搜索其中的文本。

特别是对大量文档需要进行文本分析、存档、或者进行后期编辑时，这种不可搜索的状态极大降低了效率。

还有的文档，都是图片，想要提取其中的文本就变得更加异常困难。

现在给大家推荐一个神奇的工具：OCRmyPDF，它能够让您轻松解决这个问题，将扫描版PDF文件转化为可搜索、可复制的文档。

项目简介

OCRmyPDF 是一款开源的命令行工具，专门用于将扫描的 PDF 文件转换为可搜索、可复制的文档。

通过将 OCR 文本层叠加到原始 PDF 文件上，OCRmyPDF 能够让原本无法编辑或搜索的 PDF 文件具备搜索与复制的功能。

通过 OCRmyPDF，扫描的 PDF 文件不仅能够保持原始图像质量，还能高效地进行文字识别。还支持超过 100 种语言，并且基于强大的 TesseractOCR 引擎实现高效的文字识别，极大提升了识别准确率。

主要功能

• 将扫描PDF转化为可搜索、可复制文档
• 支持超过100种语言
• 纠偏+清洁图像，优化图像质量，提升识别准确率
• 高效的多核处理与批量处理功能
• 易于集成，命令行操作
• 支持 PDF 编辑功能

快速使用

使用 OCRmyPDF 其实非常简单，不论在哪个系统上都只需要一个安装命令即可。

OCRmyPDF 本质上是一个命令行工具，支持 Linux、macOS 和 Windows 系统。你可以通过以下命令来安装它：

在 Linux 上安装：

sudo apt-get install ocrmypdf

在 macOS 上安装：

brew install ocrmypdf

在 Windows 上安装：

首先，你需要在系统上安装 Python 和 TesseractOCR。然后，你可以通过 pip 安装 OCRmyPDF：

python3 -m pip install ocrmypdf

使用参数如下：

ocrmypdf                     
   -l eng+fra  # 支持多种语言
   --rotate-pages  # 用于修复错误页面
   --deskew  # 校正扭曲的PDF文件
   --title "My PDF" # 更改输出元数据
   --jobs 4  # 默认使用多核
   --output-type pdfa  # 默认生成PDF
   input_scanned.pdf # 输入文件路径，文件或图片
   output_searchable.pdf # 输出文件名

应用场景

• 文档数字化与归档
• 学术研究与文献管理
• 批量文件处理
• 版权文件与证书管理

写在最后

在需要处理扫描PDF文件的工作中，OCRmyPDF 无疑是一个强大且实用的工具。

它不仅能够将扫描文档转化为可搜索和可复制的格式，还能提高文字识别的准确率，并支持批量处理。对于任何需要高效管理和处理文档的工作流程，OCRmyPDF都是不可或缺的利器。

GitHub：https://github.com/ocrmypdf/OCRmyPDF