一款优秀的开源项目，PDF扫描件识别也超容易

在文本处理的过程中，图片和扫描件是无法绕开的数据类型，也是业界的处理难点，也是热点的优化方向。本篇文章将介绍一款相关的开源项目，该项目在github上拥有24.9k star，涨星飞快。它是一个OCR技术的集合体，能高效解决问题：

项目特点

• 免费：本项目所有代码开源，完全免费。

• 方便：解压即用，离线运行，无需网络。

• 高效：自带高效率的离线OCR引擎，内置多种语言识别库。

• 灵活：支持命令行、HTTP接口等外部调用方式。

• 功能：截图OCR / 批量OCR / PDF识别 / 二维码 / 公式识别

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;border-left: 4px solid rgb(248, 57, 41);">安装使用

软件发布包下载为 .7z 压缩包或 .7z.exe 自解压包。自解压包可在没有安装压缩软件的电脑上，解压文件。

本软件无需安装。解压后，点击 Umi-OCR.exe 即可启动程序。

#下载地址https://hiroi-sora.lanzoul.com/s/umi-ocr（国内推荐，免注册/无限速）https://github.com/hiroi-sora/Umi-OCR/releases/latest

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;border-left: 4px solid rgb(248, 57, 41);">模块举例

文档识别

文档识别：

• 支持格式：pdf, xps, epub, mobi, fb2, cbz。

• 对扫描件进行OCR，或提取原有文本。可输出为双层可搜索PDF。

• 支持设定忽略区域，可用于排除页眉页脚的文字。

• 可设置任务完成后自动关机/休眠。

公式识别

Umi-OCR的公司识别能力是基于Pix2Text实现的。Pix2Text 是一个开源OCR项目，能够识别既包含文字又包含数学公式的混合图片。

截图OCR

截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。

• 左侧的图片预览栏，可直接用鼠标划选复制。

• 右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。

• 也支持在别处复制图片，粘贴到Umi-OCR进行识别。

文本后处理

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: var(--articleFontsize);letter-spacing: 0.034em;"/>

关于OCR文本后处理 - 排版解析方案：可以整理OCR结果的排版和顺序，使文本更适合阅读和使用。预设方案：

• 多栏-按自然段换行：适合大部分情景，自动识别多栏布局，按自然段规则进行换行。

• 多栏-总是换行：每段语句都进行换行。

• 多栏-无换行：强制将所有语句合并到同一行。

• 单栏-按自然段换行/总是换行/无换行：与上述类似，不过 不区分多栏布局。

• 单栏-保留缩进：适用于解析代码截图，保留行首缩进和行中空格。

• 不做处理：OCR引擎的原始输出，默认每段语句都进行换行。

上述方案，均能自动处理横排和竖排（从右到左）的排版。

未完待续，项目仍在持续迭代和优化中，进一步的使用可参见：

https://github.com/hiroi-sora/Umi-OCR