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 - 链载Ai

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0.3em 1em;color: rgb(255, 255, 255);background: rgb(0, 152, 116);border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 6px;">OCRmyPDF

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;font-style: italic;padding: 1em 1em 1em 2em;border-radius: 6px;color: rgba(0, 0, 0, 0.6);background: rgb(247, 247, 247);box-shadow: rgba(0, 0, 0, 0.05) 0px 4px 6px;">
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 1em;display: block;letter-spacing: 0.1em;color: rgb(63, 63, 63);">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(0, 152, 116);">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。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-feature-settings: normal;font-variation-settings: normal;font-size: 12.6px;margin: 10px 8px;background: rgb(254, 254, 254);color: rgb(84, 84, 84);text-align: left;line-height: 1.5;overflow-x: auto;border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.05) 0px 0px 10px inset;padding: 0px !important;">•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。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;padding-left: 12px;color: rgb(63, 63, 63);">✨ 核心功能亮点

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 14px;text-indent: -1em;display: block;margin: 0.5em 8px;color: rgb(63, 63, 63);">
• 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. 安装依赖（Unix/macOS）：

brewinstallghostscripttesseractqpdfpngquant

或在 Debian/Ubuntu：

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

2. 安装 OCRmyPDF：

pipinstall/upgradeocrmypdf

3. 安装语言包（如中文）：

sudoaptinstalltesseract-ocr-chi-sim

然后执行如下命令：

ocrmypdf-leng+chi_siminput.pdfoutput.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。