OCRmyPDF

<img src="https://yellow-cdn.veclightyear.com/835a84d5/782d7f6f-168b-4ea8-a1c0-15988272c8f4.svg" width="240" alt="OCRmyPDF">

Homebrew版本 Python版本

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                      # 这是一个可编程的命令行程序
   -l eng+fra                 # 支持多种语言
   --rotate-pages             # 可以修正旋转错误的页面
   --deskew                   # 可以纠正倾斜的PDF！
   --title "My PDF"           # 可以更改输出元数据
   --jobs 4                   # 默认使用多个核心
   --output-type pdfa         # 默认生成PDF/A
   input_scanned.pdf          # 接受PDF输入（或图像）
   output_searchable.pdf      # 生成经过验证的PDF输出

查看发布说明了解最新变更的详情。

主要特性

从普通PDF生成可搜索的PDF/A文件
准确地将OCR文本放置在图像下方，便于复制/粘贴
保持原始嵌入图像的精确分辨率
在可能的情况下，通过"无损"操作插入OCR信息，不影响任何其他内容
优化PDF图像，通常生成的文件比输入文件更小
如果需要，在执行OCR之前对图像进行纠偏和/或清理
验证输入和输出文件
在所有可用的CPU核心上分配工作
使用Tesseract OCR引擎识别100多种语言
保护您的私人数据安全
适当扩展以处理数千页的文件
在数百万PDF上经过实战检验

详情请参阅文档。

动机

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文件中文本位置不正确（无法复制/粘贴）
要么它们不能处理重音和多语言字符
要么它们改变了嵌入图像的分辨率
要么它们生成的PDF文件大得离谱
要么它们在尝试OCR时崩溃
要么它们生成的PDF文件无效
最重要的是，它们都不能生成PDF/A文件（用于长期存储的格式）

...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，同时支持x64和ARM。

操作系统	安装命令
Debian, Ubuntu	`apt install ocrmypdf`
Windows Subsystem for Linux	`apt install ocrmypdf`
Fedora	`dnf install ocrmypdf`
macOS (Homebrew)	`brew install ocrmypdf`
macOS (MacPorts)	`port install ocrmypdf`
macOS (nix)	`nix-env -i ocrmypdf`
LinuxBrew	`brew install ocrmypdf`
FreeBSD	`pkg install py-ocrmypdf`
Conda	`conda install ocrmypdf`
Ubuntu Snap	`snap install ocrmypdf`

对于其他用户，请查看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。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

# brew macOS用户
brew install tesseract-lang