摘要：在数字化办公的时代，对纸质的文档和书籍进行扫描，生成扫描版 PDF 文件，是档案资料管理中的一项常见任务。然而，扫描的 PDF 文件往往只是图像形式，无法直接进行文本搜索和编辑，这位人们更好地查询和管理文档带来了不便。
在数字化办公的时代，对纸质的文档和书籍进行扫描，生成扫描版 PDF 文件，是档案资料管理中的一项常见任务。然而，扫描的 PDF 文件往往只是图像形式，无法直接进行文本搜索和编辑，这位人们更好地查询和管理文档带来了不便。
OCRmyPDF 的出现，为解决这一问题提供了有效的方案，其能够使用 OCR 技术，为扫描的 PDF 文件添加文本层，让扫描 PDF 变得可搜索和可复制。
OCRmyPDF 是一个为扫描版 PDF 文件添加文本层的工具，其代码仓库位于 https://github.com/ocrmypdf/OCRmyPDF。OCRmyPDF 使这些原本只能以图像形式存在的 PDF 文件变得可搜索，方便了文档的搜索和管理。
OCRmyPDF 能从普通 PDF 文件生成可搜索的 PDF/A 文件，精准地将 OCR 识别得到文本放置于图像下方，方便进行复制和粘贴操作。OCRmyPDF 会保留原始嵌入图像的分辨率，尽可能以无损的方式插入 OCR 文本信息，不会破坏其他原有内容。
此外，OCRmyPDF 还能优化 PDF 图像，通常能生成比输入文件更小的输出。它还支持在执行 OCR 前对图像进行校正和清理，如校正倾斜的页面、去除背景等。OCRmyPDF 可以验证输入和输出文件，确保处理结果的准确性和可靠性，并能够在所有可用的 CPU 核心上分配工作，提高处理效率，并且支持处理包含数千页的大型文件。
OCRmyPDF 是一个命令行工具，为各种操作系统都提供了发行包，对于 Debian, Ubuntu 系统，使用 apt 安装：
apt install ocrmypdf在 macOS 上可以使用 Homebrew：
brew install ocrmypdf而在 Windows 上，需要首先确保环境安装了 Python，Tesseract 和 Ghostscript，可以使用 winget 或 Chocolatey 安装：
winget install -e --id Python.Python.3.11winget install -e --id UB-Mannheim.TesseractOCRchoco install python3choco install --pre tesseract然后通过安装 Python 库的形式进行 ocrmypdf 的安装：
python3 -m pip install ocrmypdfOCRmyPDF 也提供了 Docker 镜像，方便独立部署：
docker pull jbarlow83/ocrmypdf-alpine安装完成后，就可以运行 ocrmypdf 工具了：
ocrmypdf --helpocrmypdf 提供了以下命令行参数
ocrmypdf -l eng+fra # 指定文档语言，支持多语言组合 --rotate-pages # 旋转页面，能够修复方向错误的页面 --deskew # 修复扫描时倾斜的页面 --title "My PDF" # 修改元信息中的文档标题 --jobs 4 # 并发处理数量 --output-type pdfa # 输出格式，默认输出 PDF/A 格式 input_scanned.pdf # 输入的 PDF 或图片文件路径 output_searchable.pdf # 输出的 PDF 路径最简单的是提供输入的 PDF 文件，并指定输出的 PDF 路径即可：
ocrmypdf input.pdf output.pdfOCRmyPDF 也支持输入图片进行识别并产出 PDF：
ocrmypdf input.jpg output.pdfOCRmyPDF 利用 Tesseract 4.1.1+ 完成 OCR 图像文本识别的工作，支持指定文档的语言，支持同时提供多语言进行 OCR 识别：
ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf利用 --deskew 参数，OCRmyPDF 还能自动修复扫描时倾斜了的的页面，输出质量更优的 PDF 文档：
ocrmypdf --deskew input.pdf output.pdfOCRmyPDF 功能强大且实用，为扫描版 PDF 文件的可检索化提供了便捷高效的解决方案。通过添加 OCR 文本层，使得原本仅为图像的 PDF 文件变得可以直接搜索和复制，大大提高了文档查询和管理的效率。
随着数字化进程的不断推进，OCRmyPDF 的应用方向也会变得越来越广泛。它可以帮助企业和快速将历史存留的纸质文档数字化，方便进行存档和检索，和构建企业知识库；也能够将扫描的科研文献转换为可搜索的文本，便于研究人员快速进行资料的查找和引用。而在图书馆和档案管理中，OCRmyPDF 可以将大量的历史文献和档案进行数字化处理，使人们能够更方便地进行查阅和研究。
来源：每日开源代码