OCRmyPDF

OCRmyPDF 为扫描的 PDF 文件添加 OCR 文本层,使其可被搜索或复制粘贴。

核验日期2026-11-01

核心信息

以下信息由程序从官方接口读取，不经模型改写。

仓库地址: https://github.com/ocrmypdf/OCRmyPDF
许可证: MPL-2.0
语言: Python
维护方: ocrmypdf
主页: http://ocrmypdf.readthedocs.io/
核验日期: 2026-11-01

它是什么

OCRmyPDF 为扫描的 PDF 文件添加 OCR 文本层,使其可被搜索或复制粘贴。OCRmyPDF 使用 Tesseract 进行 OCR,并依赖其语言包。OCRmyPDF 是纯 Python 实现,可运行于 Linux、macOS、Windows 和 FreeBSD。OCRmyPDF 提供插件接口,其功能可被扩展或替换。

主要能力

OCRmyPDF 保持原始嵌入图像的精确分辨率。
在可能的情况下,OCRmyPDF 以“无损”操作插入 OCR 信息,不干扰其他任何内容。
如有请求,OCRmyPDF 会在执行 OCR 之前对图像进行纠偏和/或清理。
OCRmyPDF 会验证输入和输出文件。

怎么上手

OCRmyPDF 支持 Linux、Windows、macOS 和 FreeBSD。
同时提供适用于 x64 和 ARM 的 Docker 镜像。
对于 Linux 用户,通常可以找到提供语言包的软件包。
OCRmyPDF 可以请求多种语言。
安装 OCRmyPDF 后,可以访问内置帮助,其中说明了命令语法和选项。

摘自 README · bash

ocrmypdf                      # it's a scriptable command line program
   -l eng+fra                 # it supports multiple languages
   --rotate-pages             # it can fix pages that are misrotated
   --deskew                   # it can deskew crooked PDFs!
   --title "My PDF"           # it can change output metadata
   --jobs 4                   # it uses multiple cores by default
   --output-type pdfa         # it produces PDF/A by default
   input_scanned.pdf          # takes PDF input (or images)
   output_searchable.pdf      # produces validated PDF output

摘自 README · bash


# Debian/Ubuntu users
apt-cache search tesseract-ocr # Display a list of all Tesseract language packs
apt-get install tesseract-ocr-chi-sim  # Example: Install Chinese Simplified language pack

# Arch Linux users
pacman -S tesseract-data-eng tesseract-data-deu # Example: Install the English and German language packs

# OpenBSD users
pkg_info -aQ tesseract  # Display a list of all Tesseract language packs
pkg_add tesseract-cym  # Example: Install the Welsh language pack

# brew macOS users
brew install tesseract-lang

# Fedora users
dnf search tesseract-langpack # Display a list of all Tesseract language packs 
dnf install tesseract-langpack-ita # Example: Install the Italian language pack

摘自 README · bash

ocrmypdf --help

适合谁

OCRmyPDF 将工作分配到所有可用的 CPU 核心上。项目自述其功能列表称,它能够正常扩展以处理数千页的文件。项目自述其功能列表称,它在数百万份 PDF 上经过实战检验。

项目自述其功能列表称,它让你的私人数据保持私密。OCRmyPDF 支持 Tesseract 4.1.1+,即 4.1.1 及以上版本。除所需的 Python 版本外,OCRmyPDF 还需要外部安装的 Ghostscript 和 Tesseract OCR。

OCRmyPDF-AppleOCR 插件用 Apple Vision Framework 替换标准的 Tesseract OCR 引擎。OCRmyPDF-EasyOCR 插件用 EasyOCR 替换标准的 Tesseract OCR 引擎,EasyOCR 是基于 PyTorch 的较新 OCR 引擎。OCRmyPDF-EasyOCR 插件强烈建议使用 GPU。

paperless-ngx 提供将 OCRmyPDF 集成到可搜索文档管理系统中的功能。OCRmyPDF 软件采用 Mozilla Public License 2.0 (MPL-2.0) 授权。一般而言,OCRmyPDF 的非核心代码采用 MIT 授权,文档和测试文件采用 Creative Commons ShareAlike 4.0 (CC-BY-SA 4.0) 授权。

OCRmyPDF 的部分组件有其他许可证,由标准 SPDX 许可证标识符或 DEP5 版权和许可信息文件标明。