OCRmyPDF [![构建状态](https://github.com/ocrmypdf/OCRmyPDF/actions/workflows/build.yml/badge.svg)](https://github.com/ocrmypdf/OCRmyPDF/actions/workflows/build.yml) [![PyPI 版本][pypi]](https://pypi.org/project/ocrmypdf/) ![Homebrew 版本][homebrew] ![ReadTheDocs][docs] ![Python 版本][pyversions] [pypi]: https://img.shields.io/pypi/v/ocrmypdf.svg "PyPI 版本" [homebrew]: https://img.shields.io/homebrew/v/ocrmypdf.svg "Homebrew 版本" [docs]: https://readthedocs.org/projects/ocrmypdf/badge/?version=latest "RTD" [pyversions]: https://img.shields.io/pypi/pyversions/ocrmypdf "支持的 Python 版本" OCRmyPDF 会为扫描版 PDF 文件添加 OCR 文本层，使其可以搜索或复制粘贴。 ```bash ocrmypdf # 它是一个可脚本化的命令行程序 -l eng+fra # 它支持多种语言 --rotate-pages # 它可以修正旋转方向错误的页面 --deskew # 它可以校正歪斜的 PDF！ --title "My PDF" # 它可以更改输出元数据 --jobs 4 # 它默认使用多个 CPU 核心 --output-type pdfa # 它默认生成 PDF/A input_scanned.pdf # 接受 PDF 输入（或图像） output_searchable.pdf # 生成经过验证的 PDF 输出 ``` [查看发布说明，了解最新变更详情](https://ocrmypdf.readthedocs.io/en/latest/release_notes.html)。 ## 主要功能 - 从普通 PDF 生成可搜索的 [PDF/A](https://en.wikipedia.org/?title=PDF/A) 文件 - 将 OCR 文本准确放置在图像下方，便于复制/粘贴 - 保持原始嵌入图像的精确分辨率 - 在可能时，以“无损”操作插入 OCR 信息，不干扰任何其他内容 - 优化 PDF 图像，通常生成比输入文件更小的文件 - 按需在执行 OCR 前校正和/或清理图像 - 验证输入和输出文件 - 在所有可用 CPU 核心间分配工作 - 使用 [Tesseract OCR](https://github.com/tesseract-ocr/tesseract) 引擎识别超过 [100 种语言](https://github.com/tesseract-ocr/tessdata) - 保护你的私有数据。 - 可以妥善扩展，处理包含数千页的文件。 - 已在数百万份 PDF 上经过实战检验。 OCRmyPDF 在终端会话中的演示 详情请参阅[文档](https://ocrmypdf.readthedocs.io/en/latest/)。 ## 动机 我曾在网上寻找一款免费的命令行工具来对 PDF 文件执行 OCR：我找到了很多，但没有一个真正令人满意： - 要么生成的 PDF 文件中文本位于图像下方的错误位置（导致无法复制/粘贴） - 要么无法处理重音字符和多语言字符 - 要么会改变嵌入图像的分辨率 - 要么生成的 PDF 文件大得离谱 - 要么在尝试 OCR 时崩溃 - 要么无法生成有效的 PDF 文件 - 除此之外，它们都不能生成 PDF/A 文件（专为长期存储设计的格式） ……所以我决定开发自己的工具。 ## 安装 支持 Linux、Windows、macOS 和 FreeBSD。也提供 Docker 镜像，同时支持 x64 和 ARM。 | 操作系统 | 安装命令 | | ----------------------------- | ------------------------------ | | Debian, Ubuntu | ``apt install ocrmypdf`` | | Windows Subsystem for Linux | ``apt install ocrmypdf`` | | Fedora | ``dnf install ocrmypdf`` | | macOS (Homebrew) | ``brew install ocrmypdf`` | | macOS (MacPorts) | ``port install ocrmypdf`` | | macOS (nix) | ``nix-env -i ocrmypdf`` | | LinuxBrew | ``brew install ocrmypdf`` | | FreeBSD | ``pkg install py-ocrmypdf`` | | OpenBSD | ``pkg_add ocrmypdf`` | | Ubuntu Snap | ``snap install ocrmypdf`` | 其他用户请[参阅我们的文档](https://ocrmypdf.readthedocs.io/en/latest/installation.html)了解安装步骤。 ## 语言 OCRmyPDF 使用 Tesseract 执行 OCR，并依赖其语言包。对于 Linux 用户，通常可以找到提供语言包的软件包： ```bash # Debian/Ubuntu 用户 apt-cache search tesseract-ocr # 显示所有 Tesseract 语言包列表 apt-get install tesseract-ocr-chi-sim # 示例：安装简体中文语言包 # Arch Linux 用户 pacman -S tesseract-data-eng tesseract-data-deu # 示例：安装英语和德语语言包 # OpenBSD 用户 pkg_info -aQ tesseract # 显示所有 Tesseract 语言包列表 pkg_add tesseract-cym # 示例：安装威尔士语语言包 # brew macOS 用户 brew install tesseract-lang # Fedora 用户 dnf search tesseract-langpack # 显示所有 Tesseract 语言包列表 dnf install tesseract-langpack-ita # 示例：安装意大利语语言包 ``` 随后可以向 OCRmyPDF 传递 `-l LANG` 参数，提示它应搜索哪些语言。可以同时请求多种语言。 OCRmyPDF 支持 Tesseract 4.1.1+。它会自动使用 `PATH` 环境变量中首先找到的版本。在 Windows 上，如果 `PATH` 中没有 Tesseract 二进制文件，我们会根据 Windows 注册表使用已安装的最高版本号。 ## 文档和支持 安装 OCRmyPDF 后，可以通过以下命令访问内置帮助，了解命令语法和选项： ```bash ocrmypdf --help ``` 我们的[文档托管在 Read the Docs 上](https://ocrmypdf.readthedocs.io/en/latest/index.html)。 请在我们的 [GitHub issues](https://github.com/ocrmypdf/OCRmyPDF/issues) 页面报告问题，并遵循 issue 模板以便快速获得响应。 ## 功能演示 ```bash # 添加 OCR 层并要求输出 PDF/A ocrmypdf --output-type pdfa input.pdf output.pdf # 将图像转换为单页 PDF ocrmypdf input.jpg output.pdf # 就地为文件添加 OCR（仅在成功时修改文件） ocrmypdf myfile.pdf myfile.pdf # 使用非英语语言执行 OCR（请查找对应语言的 ISO 639-3 代码） ocrmypdf -l fra LeParisien.pdf LeParisien.pdf # OCR 多语言文档 ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf # 校正歪斜页面 ocrmypdf --deskew input.pdf output.pdf ``` 更多功能请参阅[文档](https://ocrmypdf.readthedocs.io/en/latest/index.html)。 ## 要求 除所需的 Python 版本外，OCRmyPDF 还需要安装 Ghostscript 和 Tesseract OCR 这两个外部程序。OCRmyPDF 是纯 Python 项目，几乎可以在所有平台上运行：Linux、macOS、Windows 和 FreeBSD。 ## 插件 OCRmyPDF 提供插件接口，允许扩展或替换其能力。以下是我们知道的一些插件： - [OCRmyPDF-AppleOCR](https://github.com/mkyt/ocrmypdf-AppleOCR)：用 Apple Vision Framework 替换标准 Tesseract OCR 引擎。需要 macOS。 - [OCRmyPDF-EasyOCR](https://github.com/ocrmypdf/OCRmyPDF-EasyOCR)：用 EasyOCR 替换标准 Tesseract OCR 引擎；EasyOCR 是基于 PyTorch 的较新 OCR 引擎。强烈建议使用 GPU。 - [OCRmyPDF-PaddleOCR](https://github.com/clefru/ocrmypdf-paddleocr)：用 PaddleOCR 替换标准 Tesseract OCR 引擎；PaddleOCR 是功能强大的 GPU 加速 OCR 引擎。 [paperless-ngx](https://docs.paperless-ngx.com/) 将 OCRmyPDF 集成到可搜索的文档管理系统中。 ## 新闻与媒体 - [Going paperless with OCRmyPDF](https://medium.com/@ikirichenko/going-paperless-with-ocrmypdf-e2f36143f46a) - [Converting a scanned document into a compressed searchable PDF with redactions](https://medium.com/@treyharris/converting-a-scanned-document-into-a-compressed-searchable-pdf-with-redactions-63f61c34fe4c) - [c't 1-2014，第 59 页](https://heise.de/-2279695)：德国领先 IT 杂志 c't 对 OCRmyPDF v1.0 的详细介绍 - [heise Open Source, 09/2014: Texterkennung mit OCRmyPDF](https://heise.de/-2356670) - [heise Durchsuchbare PDF-Dokumente mit OCRmyPDF erstellen](https://www.heise.de/ratgeber/Durchsuchbare-PDF-Dokumente-mit-OCRmyPDF-erstellen-4607592.html) - [Excellent Utilities: OCRmyPDF](https://www.linuxlinks.com/excellent-utilities-ocrmypdf-add-ocr-text-layer-scanned-pdfs/) - [LinuxUser Texterkennung mit OCRmyPDF und Scanbd automatisieren](https://www.linux-community.de/ausgaben/linuxuser/2021/06/texterkennung-mit-ocrmypdf-und-scanbd-automatisieren/) - [Y Combinator discussion](https://news.ycombinator.com/item?id=32028752) ## 商务咨询 如果没有公司和用户选择支持功能开发与咨询服务，OCRmyPDF 不会成为今天的软件。无论是扩展现有功能集，还是将 OCRmyPDF 集成到更大的系统中，我们都很乐意讨论各类咨询需求。 ## 许可证 OCRmyPDF 软件采用 Mozilla Public License 2.0 (MPL-2.0) 授权。该许可证允许将 OCRmyPDF 与其他代码集成，包括商业代码和闭源代码，但要求你发布对 OCRmyPDF 所做的源代码级修改。 OCRmyPDF 的某些组件采用其他许可证，具体由标准 SPDX 许可证标识符或 DEP5 版权与许可信息文件标明。一般来说，非核心代码采用 MIT 许可证，文档和测试文件采用 Creative Commons ShareAlike 4.0 (CC-BY-SA 4.0) 许可证。 ## 免责声明 本软件按“原样”分发，不提供任何明示或暗示的保证或条件。