OCRmyPDF—可智能识别PDF文本和图片信息的工具

OCRmyPDF向扫描的PDF文件添加了OCR文本层，使它们可以被搜索或复制粘贴。

·

1、ocrmypdf                      # 它是一个可编程的命令行程序  

2、 -l eng+fra                 # 它支持多种语言 

3、  --rotate-pages             # 它可以修正方向错误的页面   

4、--deskew                   # 它可以纠正扭曲的PDF文件！  

5、 --title "My PDF"           # 它可以更改输出元数据   

6、--jobs 4                   # 它默认使用多个核心   

7、--output-type pdfa         # 它默认产生PDF/A格式文件  

8、 input_scanned.pdf          # 接受PDF输入（或图像）   

9、output_searchable.pdf      # 生成经过验证的PDF输出

查看发布说明^[1]以获取最新更改的详细信息。

•从普通PDF生成可搜索的PDF/A文件

•在图像下方准确放置OCR文本，以便于复制/粘贴

•保持原始嵌入图像的确切分辨率

•在可能的情况下，将OCR信息作为“无损”操作插入，不会干扰其他内容

•优化PDF图像，通常产生的文件比输入文件小

•如果需要，可以在执行OCR之前对图像进行纠偏和/或清洁

•验证输入和输出文件

•在所有可用的CPU核心之间分配工作

•使用Tesseract OCR引擎识别超过100种语言

•保护您的私人数据安全。

•能够正确处理包含数千页的文件。

•在数百万PDF文件上经过实战测试。

更多详情：请参阅文档^[2]。

我在网上搜索了一个免费的命令行工具来对PDF文件进行OCR：我找到了很多，但没有一个真正令人满意：

•要么它们生成的PDF文件中的文本放置错误（使得无法复制/粘贴)•要么它们处理不了重音和多语言字符•要么它们改变了嵌入图像的分辨率•要么它们生成了非常大的PDF文件•要么在尝试进行OCR时崩溃•要么它们没有生成有效的PDF文件•最重要的是，它们都没有生成PDF/A文件（专为长期存储而设计的格式）

...所以我决定开发自己的工具。

Linux、Windows、macOS和FreeBSD都支持。也提供了x64和ARM的Docker镜像。

对于其他人，请参阅我们的文档^[3]了解安装步骤。

OCRmyPDF使用Tesseract进行OCR，并依赖于其语言包。对于Linux用户，您通常可以找到提供语言包的软件包：

·

# 显示所有Tesseract语言包的列表apt-cache search tesseract-ocr
# Debian/Ubuntu用户apt-get install tesseract-ocr-chi-sim  # 示例：安装中文简体语言包
# Arch Linux用户pacman -S tesseract-data-eng tesseract-data-deu # 示例：安装英文和德文语言包
# brew macOS用户brew install tesseract-lang

然后，您可以传递-l LANG参数给OCRmyPDF，以提示它应该搜索哪些语言。可以请求多种语言。

OCRmyPDF支持Tesseract 4.1.1+。它会自动使用在PATH环境变量中首先找到的版本。在Windows上，如果PATH没有提供Tesseract二进制文件，我们将使用根据Windows注册表安装的最高版本号。

安装OCRmyPDF后，可以通过以下方式访问内置帮助，该帮助解释了命令语法和选项：

·

ocrmypdf --help

我们的文档托管在Read
the Docs^[4]上。

请在我们的GitHub问题页面^[5]报告问题，并遵循问题模板以获得快速响应。

除了需要的Python版本（3.8+）之外，OCRmyPDF还需要外部程序安装Ghostscript和Tesseract OCR。OCRmyPDF是纯Python编写的，几乎可以在任何系统上运行：Linux、macOS、Windows和FreeBSD。

•使用OCRmyPDF实现无纸化^[6]

•将扫描文档转换成可压缩的可搜索PDF，并进行涂改^[7]

•c't 1-2014, 第59页^[8]: 在德国领先的IT杂志c't中详细介绍OCRmyPDF v1.0

•heise开源，09/2014:
使用OCRmyPDF进行文本识别^[9]

•heise创建可搜索的PDF文档与OCRmyPDF^[10]

•优秀工具：OCRmyPDF^[11]

•Linux用户使用OCRmyPDF和Scanbd自动化文本识别^[12]

•Y Combinator讨论^[13]

没有公司和用户选择支持功能开发和咨询查询，OCRmyPDF就不会成为今天的软件。我们乐于讨论所有咨询，无论是扩展现有功能集，还是将OCRmyPDF整合到更大的系统中。

OCRmyPDF软件根据Mozilla公共许可证2.0（MPL-2.0）授权。此许可允许将OCRmyPDF与其他代码（包括商业和封闭源代码）集成，但要求您发布对OCRmyPDF所做的源代码级修改。

OCRmyPDF的一些组件有其他许可证，如标准SPDX许可证标识符或DEP5版权和许可信息文件所示。一般来说，非核心代码在MIT下许可，文档和测试文件在Creative Commons ShareAlike 4.0（CC-BY-SA 4.0）下许可。

该软件是在“原样”基础上分发的，不提供任何形式的明示或暗示的保证或条件。

更多信息请参考：https://github.com/ocrmypdf/OCRmyPDF?tab=readme-ov-file

[1]发布说明: https://ocrmypdf.readthedocs.io/en/latest/release_notes.html
[2]文档: https://ocrmypdf.readthedocs.io/en/latest/
[3]文档: https://ocrmypdf.readthedocs.io/en/latest/installation.html
[4] Read the
Docs: https://ocrmypdf.readthedocs.io/en/latest/
[5] GitHub问题页面: https://github.com/ocrmypdf/OCRmyPDF/issues
[6]使用OCRmyPDF实现无纸化: https://medium.com/@ikirichenko/going-paperless-with-ocrmypdf-e2f36143f46a
[7]将扫描文档转换成可压缩的可搜索PDF，并进行涂改: https://medium.com/@treyharris/converting-a-scanned-document-into-a-compressed-searchable-pdf-with-redactions-63f61c34fe4c
[8] c't 1-2014, 第59页: https://heise.de/-2279695
[9] heise开源，09/2014: 使用OCRmyPDF进行文本识别: https://heise.de/-2356670
[10] heise创建可搜索的PDF文档与OCRmyPDF: https://www.heise.de/ratgeber/Durchsuchbare-PDF-Dokumente-mit-OCRmyPDF-erstellen-4607592.html
[11]优秀工具：OCRmyPDF: https://www.linuxlinks.com/excellent-utilities-ocrmypdf-add-ocr-text-layer-scanned-pdfs/
[12] Linux用户使用OCRmyPDF和Scanbd自动化文本识别: https://www.linux-community.de/ausgaben/linuxuser/2021/06/texterkennung-mit-ocrmypdf-und-scanbd-automatisieren/
[13] Y Combinator讨论: https://news.ycombinator.com/item?id=32028752

出自：https://mp.weixin.qq.com/s/flDO1Yf7tFUNd6MXR0iuug