OCRmyPDF 实用操作指南：从基础到高级技巧
OCRmyPDF 
项目地址: https://gitcode.com/gh_mirrors/ocr/OCRmyPDF
概述
OCRmyPDF 是一个强大的开源工具，能够为 PDF 文件添加可搜索的 OCR 文本层，同时保持原始文档的质量和布局。本文将全面介绍 OCRmyPDF 的各种实用功能和使用技巧，帮助用户高效处理 PDF 文档。
基础操作
获取帮助信息
任何工具的第一步都是了解其帮助文档：
ocrmypdf --help
这个命令会显示所有可用选项和参数的详细说明，是解决问题的最佳起点。
基本 OCR 处理
为 PDF 添加 OCR 层并转换为 PDF/A 格式：
ocrmypdf input.pdf output.pdf
如果只需要添加 OCR 层而不转换格式：
ocrmypdf --output-type pdf input.pdf output.pdf
图像压缩处理
创建 PDF/A 并将所有彩色和灰度图像转换为 JPEG：
ocrmypdf --output-type pdfa --pdfa-image-compression jpeg input.pdf output.pdf
原地修改文件
安全地覆盖原文件（仅在 OCR 成功时执行）：
ocrmypdf myfile.pdf myfile.pdf
页面处理技巧
自动校正页面方向
处理混合方向（横向/纵向）的扫描文档：
ocrmypdf --rotate-pages myfile.pdf myfile.pdf
调整旋转敏感度（默认值较为保守）：
ocrmypdf --rotate-pages --rotate-pages-threshold 2.0 myfile.pdf myfile.pdf
较低的阈值（如 2.0）会产生更多旋转修正，但也可能增加误判。使用 -v1 参数可以查看每页的置信度评分。
处理特定页面
仅处理指定页面（2,3,13-17页）：
ocrmypdf --pages 2,3,13-17 input.pdf output.pdf
多语言支持
OCRmyPDF 默认使用英语，处理其他语言需明确指定：
ocrmypdf -l fra LeParisien.pdf LeParisien.pdf
处理双语文档（英语+法语）：
ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf
注意：必须提前安装相应的语言包，Tesseract OCR 无法自动检测语言。
文本提取与输出
生成 PDF 和包含 OCR 文本的文本文件：
ocrmypdf --sidecar output.txt input.pdf output.pdf
重要说明：侧边文件仅包含 OCR 识别的文本，不会包含 PDF 中原有的文本。
图像处理功能
OCRmyPDF 提供多种图像处理选项，可显著提高 OCR 质量：
--rotate-pages：自动校正页面方向--remove-background：去除灰度/彩色图像的噪点背景--deskew：校正倾斜扫描--clean：使用 unpaper 清理页面（不影响最终输出）--clean-final：使用 unpaper 清理并修改最终输出
示例：校正倾斜扫描并清理页面：
ocrmypdf --deskew --clean input.pdf output.pdf
警告：某些图像处理操作可能导致视觉伪影，建议处理后检查文件。
高级应用场景
不进行 OCR 的图像处理
仅应用图像处理而不执行 OCR：
ocrmypdf --tesseract-timeout=0 --remove-background input.pdf output.pdf
移除所有文本信息
将 PDF 转换为纯图像格式：
ocrmypdf --tesseract-timeout 0 --force-ocr input.pdf output.pdf
仅优化图像
优化所有图像而不执行 OCR：
ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text input.pdf output.pdf
重新 OCR 已有文档
重新处理已有 OCR 的文档（利用新版 Tesseract 提高准确性）：
ocrmypdf --redo-ocr input.pdf output.pdf
优化技巧
OCRmyPDF 提供四级优化选项：
--optimize 0：禁用优化--optimize 1：无损优化（默认）--optimize 2：包含有损优化和颜色量化--optimize 3：更激进的优化，目标更低图像质量
最大化压缩：
ocrmypdf --optimize 3 in.pdf out.pdf
数字签名处理
OCRmyPDF 无法保留数字签名，默认会拒绝修改已签名的 PDF。强制处理（会使签名失效）：
ocrmypdf --invalidate-digital-signatures signed.pdf output.pdf
总结
OCRmyPDF 是一个功能全面的 PDF 处理工具，从简单的 OCR 添加到复杂的图像处理和优化，都能高效完成。通过合理组合各种参数，用户可以针对不同质量的输入文档获得最佳的输出效果。建议新用户从基础命令开始，逐步尝试更高级的功能选项。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
