OCRmyPDF：给扫描件加上可搜索的文字层

OCRmyPDF 在 GitHub 上已经拿到 33,782 Star。

它是一个命令行工具，只做一件事：给扫描版 PDF 加上 OCR 文字层，让原本不可搜索、不可复制的文件变得可用。底层用的是 Tesseract OCR 引擎，支持 100 多种语言。

1、这工具是干嘛的

把纯图像构成的 PDF 转成可搜索、可复制的文档。

你扫描了一份合同，或者从某个系统导出的 PDF 里只有图片没有文字，这时候想搜索关键词、复制段落、或者把内容丢给 LLM 处理，都会碰壁。OCRmyPDF 在这类 PDF 下面铺一层隐藏的文字，视觉上完全不变，但文字已经可以被检索和复制。

2、为什么要用它

市面上做 PDF OCR 的工具不少，但大多有硬伤。有的文字层和图像对不齐，复制出来是一团乱码；有的处理完文件体积暴涨几倍；有的遇到多语言文档就识别错误；还有的直接改了原始图像的分辨率。

OCRmyPDF 的设计目标就是避开这些坑。它保持原图分辨率不变，文字层精准对齐在图像下方，复制粘贴时不会错位。输出文件经过图像优化，通常比输入更小。还能直接生成 PDF/A 格式，满足长期存档的需求。

多核并行是默认行为，处理大文件时会自动把所有 CPU 核心用上。

3、安装

Linux、macOS、Windows、FreeBSD 都支持，各大包管理器里都能直接装：

apt install ocrmypdf      # Debian/Ubuntu
dnf install ocrmypdf      # Fedora
brew install ocrmypdf     # macOS
pkg install py-ocrmypdf   # FreeBSD

用之前需要确保系统里已经装了 Tesseract OCR 和 Ghostscript。

4、怎么用

最简单的用法，一行命令：

ocrmypdf input.pdf output.pdf

多语言文档指定语言包：

ocrmypdf -l chi_sim+eng document.pdf document.pdf

纠偏和自动旋转歪掉的页面：

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

直接覆盖原文件，只有成功时才替换：

ocrmypdf myfile.pdf myfile.pdf

需要 PDF/A 格式用于存档：

ocrmypdf --output-type pdfa input.pdf output.pdf

5、插件和生态

Tesseract 是默认的 OCR 引擎，识别准确率已经很高。如果有特殊需求，可以通过插件换成其他方案：

AppleOCR 在 macOS 上调用 Apple Vision 框架；EasyOCR 基于 PyTorch，有 GPU 的话速度更快；PaddleOCR 是百度开源的方案，中文场景下表现更好。

文档管理系统 paperless-ngx 也集成了 OCRmyPDF，扫描件进去，可搜索的归档文件出来。

6、适合谁用

• 需要批量处理扫描件、合同、发票的办公场景
• 做文档归档系统，需要输出 PDF/A 长期存储
• 要把 PDF 内容灌进 RAG 或向量数据库，但原始文件是图像型 PDF
• 经常和扫描版论文、报告打交道，需要提取文字的研究人员

输出 PDF/A 长期存储

• 要把 PDF 内容灌进 RAG 或向量数据库，但原始文件是图像型 PDF
• 经常和扫描版论文、报告打交道，需要提取文字的研究人员