OCRmyPDF: 为扫描 PDF 添加 OCR 文本层

🔗 GitHub

OCRmyPDF 是一个开源的命令行工具和库，它可以为扫描的 PDF 文件添加 OCR 文本层，使文件内容可被搜索和复制粘贴。该工具利用 Tesseract OCR 引擎识别 PDF 中图像里的文本，并将其准确地放置在原始图像下方，使得用户可以轻松地搜索和选择文档中的内容。

OCRmyPDF 的工作原理是分析 PDF 的每一页，确定所需的色彩空间和分辨率，然后使用 Ghostscript 将每页栅格化，接着通过 Tesseract 进行 OCR 处理，并将生成的 OCR 层集成回原始 PDF。与直接使用 ImageMagick 或 Ghostscript 处理图像然后通过 Tesseract OCR 不同，OCRmyPDF 能够生成变化最小的 PDF 输出，同时保留原始图像的精确分辨率。

主要特点

• 多语言支持：支持 Tesseract 的所有语言包，包括英语、法语、中文等
• 图像处理：自动旋转页面、去偏斜、清理背景和图像优化
• PDF/A 生成：默认生成符合 PDF/A 标准的存档文件，便于长期保存
• 批处理能力：支持多核处理，提高 OCR 速度
• 多平台支持：适用于 Linux、macOS、Windows 和 FreeBSD
• Docker 支持：提供 Docker 镜像，方便快速部署
• JBIG2 优化：支持 JBIG2 编码，大幅减小黑白图像的文件大小
• 页面选择：允许只对 PDF 中的特定页面进行 OCR 处理
• 扩展性：支持插件系统，可自定义处理流程

部署选项

• 通过 pip 安装：pip install ocrmypdf
• Docker 容器
• 系统包管理器：支持多种 Linux 发行版和 macOS 的 Homebrew
• 从源代码构建

开源许可证

MPL-2.0。