BishengJDK MiniCPM-V OCR？

OCRmyPDF 为扫描的 PDF 文件添加 OCR 文本层，使其可搜索或复制粘贴。

ocrmypdf                      # 可脚本化的命令行程序
   -l eng+fra                 # 支持多语言
   --rotate-pages             # 可修正旋转错误的页面
   --deskew                   # 可校正倾斜的 PDF！
   --title "My PDF"           # 可更改输出元数据
   --jobs 4                   # 默认使用多核
   --output-type pdfa         # 默认输出 PDF/A 格式
   input_scanned.pdf          # 接受 PDF 输入（或图片）
   output_searchable.pdf      # 生成经过验证的 PDF 输出

查看发布说明了解最新变化。

主要特性

• 从普通 PDF 生成可搜索的 PDF/A 文件
• 将 OCR 文本精确放置在图像下方，方便复制/粘贴
• 保持原始嵌入图像的精确分辨率
• 尽可能以“无损”方式插入 OCR 信息，不影响其他内容
• 优化 PDF 图像，通常生成比输入文件更小的文件
• 根据需求，在执行 OCR 前可校正和/或清洁图像
• 验证输入和输出文件
• 在所有可用 CPU 核心上分配工作
• 使用 Tesseract OCR 引擎识别超过 100 种语言
• 保护您的私人数据隐私
• 能妥善处理数千页的文件
• 经过数百万个 PDF 的实战测试

详情请参阅文档。

动机

我在网上搜索一个免费的命令行工具来 OCR PDF 文件：找到了很多，但没有一个真正令人满意：

• 要么生成的 PDF 文件图像下方的文本位置错乱（导致无法复制/粘贴）
• 要么无法处理重音和多语言字符
• 要么改变了嵌入图像的分辨率
• 要么生成的 PDF 文件大得离谱
• 要么在尝试 OCR 时崩溃
• 要么没有生成有效的 PDF 文件
• 最重要的是，没有一个能生成 PDF/A 文件（专为长期存储设计的格式）

……所以我决定开发自己的工具。

安装

支持 Linux、Windows、macOS 和 FreeBSD。也提供 Docker 镜像，包括 x64 和 ARM 架构。

对于其他用户，请参阅我们的文档了解安装步骤。

语言

OCRmyPDF 使用 Tesseract 进行 OCR，并依赖其语言包。Linux 用户通常可以通过软件包管理器安装语言包：

# Debian/Ubuntu 用户
apt-cache search tesseract-ocr # 显示所有 Tesseract 语言包列表
apt-get install tesseract-ocr-chi-sim  # 示例：安装简体中文语言包

# Arch Linux 用户
pacman -S tesseract-data-eng tesseract-data-deu # 示例：安装英语和德语语言包

# OpenBSD 用户
pkg_info -aQ tesseract  # 显示所有 Tesseract 语言包列表
pkg_add tesseract-cym  # 示例：安装威尔士语语言包

# brew macOS 用户
brew install tesseract-lang

# Fedora 用户
dnf search tesseract-langpack # 显示所有 Tesseract 语言包列表 
dnf install tesseract-langpack-ita # 示例：安装意大利语语言包

然后可以通过 -l LANG 参数传递给 OCRmyPDF，指定要识别的语言。可以指定多种语言。

OCRmyPDF 支持 Tesseract 4.1.1+。它会自动使用在 PATH 环境变量中找到的第一个版本。在 Windows 上，如果 PATH 中没有 Tesseract 可执行文件，则根据 Windows 注册表使用安装的最高版本号。

文档与支持

安装 OCRmyPDF 后，可以通过以下命令访问内置帮助，了解命令语法和选项：

ocrmypdf --help

我们的文档托管在 Read the Docs 上。

请在 GitHub Issues 页面报告问题，并遵循问题模板以快速响应。

功能演示

# 添加 OCR 层并要求 PDF/A 格式
ocrmypdf --output-type pdfa input.pdf output.pdf

# 将图片转换为单页 PDF
ocrmypdf input.jpg output.pdf

# 原地为文件添加 OCR（仅在成功时修改文件）
ocrmypdf myfile.pdf myfile.pdf

# 非英语语言的 OCR（查看语言 ISO 639-3 代码）
ocrmypdf -l fra LeParisien.pdf LeParisien.pdf

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

# 校正（拉直倾斜的页面）
ocrmypdf --deskew input.pdf output.pdf

更多功能见文档。

依赖要求

除所需的 Python 版本外，OCRmyPDF 还需要外部程序 Ghostscript 和 Tesseract OCR 的安装。OCRmyPDF 是纯 Python 编写的，几乎可以在所有平台上运行：Linux、macOS、Windows 和 FreeBSD。

插件

OCRmyPDF 提供插件接口，可扩展或替换其功能。以下是我们所知的一些插件：

• OCRmyPDF-AppleOCR：用 Apple Vision Framework 替换标准 Tesseract OCR 引擎。需要 macOS。
• OCRmyPDF-EasyOCR：用 EasyOCR（基于 PyTorch 的新 OCR 引擎）替换标准 Tesseract OCR 引擎。强烈建议使用 GPU。
• OCRmyPDF-PaddleOCR：用 PaddleOCR（强大的 GPU 加速 OCR 引擎）替换标准 Tesseract OCR 引擎。

paperless-ngx 提供了将 OCRmyPDF 集成到可搜索文档管理系统中的功能。

媒体报道

• 使用 OCRmyPDF 实现无纸化
• 将扫描文档转换为带密文的可搜索压缩 PDF
• c't 1-2014，第 59 页：德国领先 IT 杂志 c't 对 OCRmyPDF v1.0 的详细报道
• heise Open Source，09/2014：Texterkennung mit OCRmyPDF
• heise：使用 OCRmyPDF 创建可搜索的 PDF 文档
• 优秀工具：OCRmyPDF
• LinuxUser：使用 OCRmyPDF 和 Scanbd 自动化文本识别
• Y Combinator 讨论

商业咨询

如果没有公司和用户选择支持功能开发和咨询需求，OCRmyPDF 就不会成为今天的样子。我们乐意讨论所有咨询，无论是扩展现有功能集，还是将 OCRmyPDF 集成到更大的系统中。

许可证

OCRmyPDF 软件采用 Mozilla 公共许可证 2.0 (MPL-2.0) 授权。该许可证允许将 OCRmyPDF 与其他代码（包括商业和闭源代码）集成，但要求您发布对 OCRmyPDF 所做的源代码级修改。

OCRmyPDF 的某些组件具有其他许可证，如标准 SPDX 许可证标识符或 DEP5 版权和许可信息文件所示。通常，非核心代码采用 MIT 许可证，文档和测试文件采用知识共享署名-相同方式共享 4.0 (CC-BY-SA 4.0) 许可证。

免责声明

本软件按“现状”提供，不提供任何明示或暗示的保证或条件。