ocrmypdf/OCRmyPDF · 上手攻略
- 仓库：ocrmypdf/OCRmyPDF
- 链接：https://github.com/ocrmypdf/OCRmyPDF
- 分类：pdf · ocr · document-processing
- 作者：Tom
- 更新：2026-08-17
这是什么
OCRmyPDF 是一个为 PDF 添加 OCR 文字层的命令行工具，它调用 Tesseract OCR 引擎，将扫描件、影印件等图片型 PDF 转化为可搜索、可复制文字的 PDF/A（适合长期归档的可移植 PDF 子集）。
它的核心价值在于「精准」——OCR 文字会精确地嵌入到原始图片下方，保证复制粘贴时位置准确，不出现文字错位；输出文件通常比输入更小（经过图像优化），且默认生成 PDF/A 格式。已通过数百万份真实文档的测试。
解决什么问题
- 扫描件无法搜索：PDF 是图片，打印出来反而能用，但 Ctrl+F 失灵
- 复制文字是乱码/图片：因为没有文字层，复制出来的是图片而非文字
- 需要将扫描文件转为可归档格式：PDF/A 是 ISO 标准的长效归档格式
- 多语言 OCR：支持 100+ 语言，包括中文简繁体
- 自动修正歪斜/旋转的页面：扫描仪歪着放的文档可以自动扶正
快速安装
系统包管理器（一行命令）
# Debian / Ubuntu
sudo apt install ocrmypdf
# Fedora
sudo dnf install ocrmypdf tesseract-osd
# macOS
brew install ocrmypdf # Homebrew
# 或
port install ocrmypdf # MacPorts
# Windows Subsystem for Linux（推荐 Windows 用户使用）
# 在 WSL2 中运行 apt install ocrmypdf
# FreeBSD
pkg install py-ocrmypdf
# Nix
nix-env -i ocrmypdf
pip 安装（支持最新版本）
pip install ocrmypdf
⚠️ pip 安装的版本通常比系统仓库新，但需要自行安装 Tesseract 和 Ghostscript 依赖。
系统依赖
OCRmyPDF 本身是纯 Python，但依赖两个外部程序（必须预装）：
# Tesseract OCR 引擎（必须）
# Debian/Ubuntu:
apt install tesseract-ocr
# macOS:
brew install tesseract-lang # 包含所有语言包
# Ghostscript（PDF 处理，必须）
# 大多数系统已预装；如没有：
# Debian/Ubuntu: apt install ghostscript
核心用法
最基础命令
# 添加 OCR 层并输出为 PDF/A（最常用）
ocrmypdf --output-type pdfa input.pdf output.pdf
# 原地修改（覆盖原文件，仅在成功后写入）
ocrmypdf input.pdf input.pdf
指定语言
# 单语言（语言代码为 ISO 639-3）
ocrmypdf -l eng input.pdf output.pdf
# 多语言（中文简体 + 英文混合文档）
ocrmypdf -l eng+chi_sim input.pdf output.pdf
# 查看所有可用语言代码
apt-cache search tesseract-ocr # Debian/Ubuntu
brew list tesseract-lang # macOS
常用选项
# 自动旋转歪斜页面（扫描仪歪着放的文件）
ocrmypdf --deskew input.pdf output.pdf
# 同时旋转 + 自动方向纠正
ocrmypdf --rotate-pages input.pdf output.pdf
# 设置 PDF 元数据
ocrmypdf --title "合同文件" --author "张三" --subject "2026年协议" \
input.pdf output.pdf
# 指定 CPU 核心数（默认全部）
ocrmypdf --jobs 4 input.pdf output.pdf
# 跳过已成功 OCR 的页面（增量处理）
ocrmypdf --skip-text input.pdf output.pdf
# 图像预处理：去噪 + 对比度增强（有助于印刷质量差的文档）
ocrmypdf --clean input.pdf output.pdf
# 调整 OCR 分辨率（默认 300 DPI，印刷件可降低）
ocrmypdf --image-dpi 150 input.pdf output.pdf
# 输出详细日志（调试用）
ocrmypdf -v 2 input.pdf output.pdf
图像转 PDF（直接 OCR 图片）
# 单张图片转可搜索 PDF
ocrmypdf input.jpg output.pdf
# 多页 TIFF 转 PDF
ocrmypdf page1.jpg page2.jpg output.pdf
高级：非英语语言安装
# Debian/Ubuntu 安装额外语言包
apt-get install tesseract-ocr-chi-sim # 简体中文
apt-get install tesseract-ocr-jpn # 日语
apt-get install tesseract-ocr-kor # 韩语
apt-get install tesseract-ocr-osd # 方向/脚本检测（自动旋转依赖此包）
# macOS：tesseract-lang 已包含多数语言
插件扩展
OCRmyPDF 支持插件接口，可替换默认的 Tesseract OCR 引擎：
| 插件 | OCR 引擎 | 优势 | 劣势 |
|---|---|---|---|
| OCRmyPDF-AppleOCR | Apple Vision Framework | macOS 原生，速度快，准确率高 | 只能 macOS |
| OCRmyPDF-EasyOCR | EasyOCR (PyTorch) | GPU 加速，多语言 | 需 PyTorch + GPU |
| OCRmyPDF-PaddleOCR | PaddleOCR | GPU 加速，中文支持强 | 配置较复杂 |
安装插件后，在命令中加入 --plugin 参数（具体用法见各插件文档）。
典型适用场景
| 场景 | 为什么选 OCRmyPDF |
|---|---|
| 整理扫描件归档 | 输出 PDF/A，ISO 标准长期保存格式 |
| 论文/书籍 PDF OCR | 文字精准嵌入图片下方，复制不乱码 |
| 法律/合同文档数字化 | 批量处理 thousands 页，元数据注入 |
| 中文古籍/中文扫描件 | 简体中文 + 英文混合支持 |
| 歪斜/歪转扫描件自动修正 | --deskew / --rotate-pages 一键修复 |
| 接入 document management 系统 | 与 Paperless-ngx 等无码文档管理系统集成 |
坑与注意
- Tesseract 版本要求：OCRmyPDF 需要 Tesseract 4.1.1 以上。旧版 Debian/Ubuntu 仓库版本可能低于此值，建议通过系统包管理器更新或用 pip 升级。检查版本：
tesseract --version。 - 语言包需要单独安装：Tesseract 默认只带英语，中文用户必须手动安装
tesseract-ocr-chi-sim（简体中文）或tesseract-ocr-chi-tra（繁体中文）。未装语言包时 OCR 会失败或输出乱码。 - Debian/Ubuntu 默认无 JBIG2 编码器：JBIG2 可大幅压缩黑白文档（最高 10x），Debian/Ubuntu 官方因许可证问题默认不打包 jbig2enc。有需求可从源码编译 jbig2enc，OCRmyPDF 会自动检测并使用。
- PDF 加密/数字签名文件：带密码的 PDF 需要先用
qpdf --decrypt解密；数字签名 PDF 通常无法直接处理（会报错）。 - 输出文件比输入大：如果输入 PDF 本身就是图片型且已高度压缩，OCR 后因为嵌入了文字层，文件可能略微增大，这是正常现象。
- OCR 质量与图像质量直接相关：DPI 太低（< 150）、过度压缩、有水印的图像 OCR 效果差；建议扫描时使用 300 DPI 或以上。
- 中文 OCR 准确率：Tesseract 对中文的支持弱于英文，印刷体中文准确率约 85-92%（简繁体有差异）；古籍、书法、手写体效果较差，需考虑 EasyOCR 或云服务。
- WSL2 用户注意：在 WSL2 中运行 Tesseract 和 Ghostscript 需要 X server 或通过命令行操作无头模式，部分 Linux GUI 依赖不兼容。
与同类对比
| 方案 | 开源 | 本地 | 多语言 | PDF/A 输出 | 精准文字嵌入 |
|---|---|---|---|---|---|
| OCRmyPDF | ✅ | ✅ | ✅ 100+ | ✅ 默认 | ✅ 精确 |
| Adobe Acrobat Pro | ❌ 商业 | ❌ 需云 | ⚠️ 付费包 | ✅ | ✅ |
| Tesseract CLI | ✅ | ✅ | ✅ | ❌ 需手动 | ⚠️ 不对齐 |
| EasyOCR (Python) | ✅ | ✅ | ✅ | ❌ | ❌ |
| Google Document AI | ❌ SaaS | ❌ | ✅ | ⚠️ | ✅ |
| ABBYY FineReader | ❌ 商业 | ⚠️ 桌面版 | ✅ | ✅ | ✅ |
| Adobe Acrobat Online | ❌ SaaS | ❌ | ⚠️ | ⚠️ | ✅ |
核心差异：OCRmyPDF 是开源方案中唯一同时做到精准文字嵌入 + PDF/A 输出 + 100+ 语言 + 歪斜修正 + 多平台的工具链。它的文字嵌入精度（文字在图片下方而非覆盖在图片上）是核心竞争力，直接影响复制粘贴的可用性。
一句话结论
OCRmyPDF 是处理扫描件 PDF 的开源一站式方案——只需一条命令就能把图片型 PDF 变成可搜索、可复制、PDF/A 格式的文档；如果需要处理中文文档，提前装好 tesseract-ocr-chi_sim，效果会让你满意。