OCRmyPDF

OCRmyPDF简介

OCRmyPDF是什么？

OCRmyPDF 是一款开源的命令行工具，用于给扫描的 PDF 文件添加可搜索的OCR文本层。它支持多语言，能优化图像、纠偏、清洁页面，并自动旋转方向，生成 PDF/A 格式文件。它还支持多核处理和批量操作，完全离线运行，确保数据安全。

OCRmyPDF主要功能

• 生成可搜索的 PDF/A 文件：从普通 PDF 文件生成可搜索的 PDF/A 文件，同时保持原始嵌入图像的分辨率。

• 多语言支持：支持超过 100 种语言，用户可以根据文档的语言选择合适的语言包，提高 OCR 的准确率。

• 图像优化：OCRmyPDF 可以优化 PDF 中的图像，包括调整分辨率、压缩图像大小等，生成更小的文件，保持图像质量。

• 纠偏和清洁：在执行 OCR 之前，OCRmyPDF 可以对图像进行纠偏（纠正倾斜）和清洁（去除污点、噪点等），提高 OCR 的准确率。

• 旋转页面：自动检测页面的方向并旋转页面，确保所有页面的方向一致，便于阅读和处理。

• 多核处理：默认利用所有可用的 CPU 核心进行处理，提高了处理速度，适合处理大型文件或批量任务。

• 批量处理：可以结合 GNU 并行工具或其他脚本，批量处理多个 PDF 文件，提高工作效率。

• 数据安全性：OCRmyPDF 完全离线运行，数据存在用户的本地设备，确保数据安全和隐私。

OCRmyPDF使用教程

安装：OCRmyPDF 可以通过 pip 安装，也可以在 Linux、macOS 和 Windows 等操作系统上通过各自的包管理工具安装。

基本用法：在命令行中输入以下命令即可开始 OCR 处理：

ocrmypdf input.pdf output.pdf

高级选项：可以指定 OCR 识别的语言，例如使用简体中文进行 OCR 处理：

ocrmypdf –language chi_sim input.pdf output.pdf

OCRmyPDF应用场景

• 档案管理：图书馆、档案馆等机构可以用 OCRmyPDF 将大量的纸质文档转化为数字化且可搜索的形式，便于存储和检索。

• 学术研究：学者和研究人员可以用 OCRmyPDF 快速转档论文和书籍，内容更易于引用和分析。

• 新闻采编：新闻工作者可以快速从图像 PDF 中提取新闻报道的内容，提高工作效率。

• 文档管理：企业和机构可以用 OCRmyPDF 自动化转换大量的扫描合同、发票等文件，使可搜索和归档。

相关链接

官网：https://ocrmypdf.readthedocs.io/en/latest/

GitHub仓库：https://github.com/ocrmypdf/OCRmyPDF ，可以在这里查看项目代码、提交问题、参与开发等。

官方文档：https://ocrmypdf.readthedocs.io/en/latest/index.html ，详细介绍了 OCRmyPDF 的安装、使用方法、功能特性以及各种高级选项等内容。

PyPI 页面：https://pypi.org/project/ocrmypdf/