GitHub 收获 30.6k Star，一款开源的 PDF 处理工具，专为将扫描的 PDF 文件转换为可搜索、可复制的文档

OCRmyPDF

OCRmyPDF 是一款开源的 PDF 处理工具，通过添加 OCR 文本层，OCRmyPDF 能够将无法直接编辑的扫描 PDF 文件变为可以搜索和编辑的格式，同时保留原始布局和图像质量。支持 Windows、macOS、Linux 与 FreeBSD 平台，也可通过 Docker 镜像运行。

•项目地址：https://github.com/ocrmypdf/OCRmyPDF
•开发者：James R. Barlow（核心）及社区贡献者
•Stars / Forks：约 30.6k ⭐ / 2.1k 🍴  
•License：Mozilla Public License 2.0（MPL‑2.0，核心）／文档为 CC‑BY‑SA 4.0
•技术栈：Python 3, Shell, Ghostscript, Tesseract, qpdf, pngquant, jbig2enc
•目标用户：对扫描文档进行 OCR 的个人用户、图书馆/档案数字化、法律文件归档等。

✨ 核心功能亮点

• • 生成可搜索 PDF/A 文件 ：扫描版 PDF 自动补全 OCR 文本层，使文档可被搜索和复制，同时输出符合 PDF/A-2b 标准的长期归档格式。
• • 精确放置 OCR 文本 ：将 OCR 文本准确地放置在图像下方，不改变页面布局，保留嵌入图像的原始分辨率，粘贴复制基本无偏差。
• • 无损 / 静默优化：若原图支持，OCR 过程不会重新编码图片；支持 pngquant、Jbig2 编码压缩，生成的文件通常比输入文件更小。
• • 倾斜矫正 / 自动旋转：支持类似 --deskew（纠正页面倾斜）和 --rotate-pages（自动识别并旋转横/竖页）。
• • 多语言 OCR 支持：借助 Tesseract，可识别超过 100 种语言（包括繁简中日韩等），支持混合语言识别（如 -l eng+chi_sim）。
• • 自动修复：使用 qpdf 进行自动修复，发现 PDF 携带文本图层即可跳过 OCR（默认报错退出），或可加参数强制重新 OCR（--force-ocr）。
• • 大规模文件处理 ：能够处理包含数千页的文件，适用于各种规模的文档处理任务。
• • 经过实战测试 ：在数百万个 PDF 文件上进行了测试，具有高度的稳定性和可靠性。

🛠 安装与使用指南

• • 环境要求：Python 3.6+、Ghostscript 9.15+、Tesseract 4.x、qpdf（推荐）
• • 如果平台不支持上述依赖，建议使用 Docker 镜像。

▶ 安装步骤

✅方法 A：推荐（包管理器／Docker 快速安装）

• • 平台:Windows/macOS/Linux
  -安装方式使用包管理器，如在 macOS：brew install ocrmypdf，在 Ubuntu/Debian：sudo apt install ocrmypdf（版本可能滞后）
• • Docker（无需手动安装依赖）: docker pull jbarlow83/ocrmypdf 或 jbarlow83/ocrmypdf‑polyglot（内含全部语言包）。执行时使用当前目录为挂载点示例：docker run --rm -v "$(pwd):/home/docker" ocrmypdf input.pdf output.pdf

✅ 方法 B：进阶用户（Python + pip 安装）

1. 1. 安装依赖（Unix/macOS）：

brew install ghostscript tesseract qpdf pngquant

或在 Debian/Ubuntu：

sudo apt update
sudo apt install ghostscript tesseract-ocr tesseract-ocr-eng qpdf pngquant

1. 2. 安装 OCRmyPDF：

pip install / upgrade ocrmypdf

1. 3. 安装语言包（如中文）：

sudo apt install tesseract-ocr-chi-sim

然后执行如下命令：

ocrmypdf -l eng+chi_sim input.pdf output.pdf

▶ 使用流程示例

# 单页测试
ocrmypdf input.pdf output.pdf

# 在原文件基础上进行 OCR（成功覆盖原文件）
ocrmypdf input.pdf input.pdf

# 添加识别语言（英文 + 简体中文）
ocrmypdf -l eng+chi_sim scanned.pdf searchable.pdf

# 自动纠偏并输出 PDF/A
ocrmypdf --rotate-pages --deskew --output-type pdfa input.pdf output.pdf

# 批量处理（示例替换当前目录中所有 PDF，需自行验证）
for f in *.pdf; do
  ocrmypdf "$f" "ocr/$f"
done

安装完成后，用 ocrmypdf --help 可查看所有命令选项及说明。