OCRmyPDF

给扫描 PDF 加上可搜索文字层，秒变可检索文档

OCRmyPDF 是一个开源命令行工具，专门为扫描版 PDF 文件添加 OCR 文本层，让原本不可搜索的扫描文档变得可搜索、可复制、可索引。它解决的核心问题是：大量扫描 PDF 本质是图片，无法进行文本检索、复制或编辑。OCRmyPDF 基于 Tesseract OCR 引擎，能自动检测页面方向、清理图像噪声、优化输出文件大小，并保留原始页面布局和视觉外观。它支持多种语言识别，可输出 PDF/A 标准格式，适合长期存档。工具采用模块化设计，支持通过插件扩展功能，并能与现有文档处理流水线无缝集成。对于需要批量处理扫描档案、票据、书籍或合同的企业和个人，OCRmyPDF 提供了一条高效、可靠的自动化路径。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 34846

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队ocrmypdf

所属国家

官网地址

GitHubhttps://github.com/ocrmypdf/OCRmyPDF

定价模式free

价格说明开源免费，本地部署使用，无付费版本。

访问状态

是否开源是

开源协议MPL-2.0

主要语言Python

技术栈/模型image-processing,ocr,pdf,python,tesseract

GitHub 星标★ 34846

30天Star增速

HF 下载量

上线时间2013-12-20 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数6

使用教程

难度：入门约 10 分钟部署方式：命令行工具 5 步

环境要求

支持 Linux、Windows、macOS 和 FreeBSD 系统
可通过系统包管理器安装（Debian/Ubuntu、Fedora、macOS Homebrew/MacPorts/nix、FreeBSD、OpenBSD、Ubu
也可使用官方 Docker 镜像，支持 x64 与 ARM 架构
需要一个扫描版 PDF 文件（或图片）作为输入

安装与启动步骤

1安装 OCRmyPDF

按你的操作系统选择对应安装命令，例如 Ubuntu/Debian 用 apt，macOS 用 Homebrew。
```
apt install ocrmypdf
```
2执行基本 OCR

把扫描版 PDF 作为输入，OCRmyPDF 会输出带文本层的可搜索 PDF。注意输入在前、输出在后。
```
ocrmypdf input_scanned.pdf output_searchable.pdf
```
3指定识别语言

用 -l 指定语言，多个语言用加号连接，例如英语加法语。
```
ocrmypdf -l eng+fra input_scanned.pdf output_searchable.pdf
```
4自动旋转与纠偏

--rotate-pages 可修正页面方向错误，--deskew 可拉直歪斜的扫描页面。
```
ocrmypdf --rotate-pages --deskew input_scanned.pdf output_searchable.pdf
```
5输出 PDF/A 与元数据

--output-type pdfa 生成 PDF/A 归档格式，--title 设置输出标题，--jobs 控制并行核心数。
```
ocrmypdf --title "My PDF" --jobs 4 --output-type pdfa input_scanned.pdf output_searchable.pdf
```

关键配置

配置项	必填	说明	示例
`-l`	否	指定 OCR 识别语言，多语言用 + 连接	`eng+fra`
`--rotate-pages`	否	自动修正页面旋转方向错误	`--rotate-pages`
`--deskew`	否	自动拉直歪斜的扫描页面	`--deskew`
`--title`	否	修改输出 PDF 的标题元数据	`"My PDF"`
`--jobs`	否	设置并行处理的核心数，默认已使用多核	`4`
`--output-type`	否	指定输出类型，pdfa 为 PDF/A 格式	`pdfa`

如何确认成功

命令执行完成后会生成 output_searchable.pdf，用 PDF 阅读器打开应能选中并复制其中的文字，说明 OCR 文本层已添加成功。

常见问题

Q：不同操作系统怎么安装？

A：Debian/Ubuntu 与 WSL 用 apt install ocrmypdf，Fedora 用 dnf install ocrmypdf，macOS 用 brew install ocrmypdf 或 port install ocrmypdf，FreeBSD 用 pkg install py-ocrmypdf。

Q：没有包管理器或平台不支持怎么办？

A：README 指引前往官方文档 https://ocrmypdf.readthedocs.io/en/latest/installation.html 查看安装步骤，也可使用官方 Docker 镜像。

Q：如何识别中文等多语言文档？

A：使用 -l 参数指定语言，多个语言用加号连接，例如 -l eng+fra。

Q：能处理图片输入吗？

A：可以，OCRmyPDF 除了 PDF 输入外也接受图片输入。

Q：输出格式是什么？

A：默认生成 PDF/A 格式，也可通过 --output-type 指定输出类型。

注意事项

默认输出即为 PDF/A，适合长期存档。
默认会使用多核并行处理，可用 --jobs 调整。
扫描页面方向错误或歪斜时，加上 --rotate-pages 和 --deskew 效果更好。
OCR 文本层放置在图像下方，便于准确复制粘贴。

核心亮点

基于 Tesseract，识别精度高，支持 100+ 种语言
自动优化图像质量，输出文件比原扫描件更小
生成 PDF/A 标准格式，适合长期存档和合规要求

不足之处

依赖外部 Tesseract 引擎，安装配置稍复杂
对复杂排版或手写体识别效果有限

适用场景

企业档案数字化，将纸质合同、发票扫描件转为可搜索 PDF
学术研究，批量处理书籍扫描件以便全文检索引用
法律/政务场景，将历史卷宗扫描件转换为可检索电子档案

替代项目

PaddleOCR、ocrmypdf 的替代品如 PDF OCR X、ABBYY FineReader

项目介绍

OCRmyPDF 是计算机视觉领域的开源项目，由 ocrmypdf 开发，2013 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（34,846）位列前 2%，在计算机视觉分类的 446 个项目里位列前 3%。

近 44 天，它的 GitHub 星标从 34,401 增加到 34,846，净增 445。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。开源免费，本地部署使用，无付费版本。

它主要面向的使用场景是：企业档案数字化，将纸质合同、发票扫描件转为可搜索PDF。同类可对比的替代方案包括 PaddleOCR、ocrmypdf 的替代品如 PDF OCR X、ABBYY FineReader。

上一篇：paperless-ngx

下一篇：liteparse