前言
ocrmypdf 是一个开源的命令行工具，用于将扫描或其他方式制作的纯图 PDF 文件转换为可搜索和可选中文本的 PDF 文件。它通过集成 Tesseract OCR 引擎，自动识别扫描件中的文字，并将其嵌入到 PDF 中，从而实现全文搜索和复制功能。ocrmypdf 支持多种语言和字符集，适用于各种类型的文档处理需求。
在某些 LLM 的 API 不支持直接处理图片 PDF 的情况下，ocrmypdf 可以作为前置步骤，将扫描件转换为嵌入了文本的 PDF，使得后续处理可以将其当作普通文本来处理，极大提升了工作流的便利性。此外，嵌入文本后，手动关键词检索也会变得更加高效，直接复制其中的文字内容也不再是问题。
之前笔者写过 Ghostscript、ImageMagick 等 PDF/图片处理工具，ocrmypdf 则负责把一堆扫描件或者纯图塞进 Tesseract 再吐出可检索的 PDF/A。它的优势主要是：
- 默认就走 PDF/A-2b 流程，适合归档
- 自带页面旋转、去背景、deskew 等预处理
- 支持 sidecar 文本、插件化流程，方便二次处理
安装
Arch Linux 用户可以从 AUR 安装：
paru -S ocrmypdf
Debian/Ubuntu 用户可以通过 apt 安装：
sudo apt install ocrmypdf
如果系统里已经装好了 ocrmypdf，先跑一遍版本确认：
ocrmypdf --version
基本命令格式
命令的核心只有两个位置参数：输入文件与输出文件。
ocrmypdf input.pdf output.pdf
常见扫描件往往是纯图片 PDF，这条命令会默认：
- 逐页光栅化
- 交给 Tesseract OCR
- 输出 PDF/A-2b（
--output-type pdfa）
如需保留原始压缩方式，可将输出改为普通 PDF：
ocrmypdf --output-type pdf book.pdf book-searchable.pdf
语言与多语言 OCR
ocrmypdf 调用 Tesseract 进行 OCR，正确选择语言对提升识别率至关重要，在不指定语言时，默认仅能识别英语。Tesseract 的语言包装在 -l / --language 选项里，用 + 连接多语言，例如当前文档包含中英文时：
ocrmypdf -l chi_sim+eng docs.pdf docs-ocr.pdf
建议提前用 tesseract --list-langs 确认哪些语言已装好，缺失就 sudo pacman -S tesseract-data-xxx 或 pip install tesseract-ocr 补齐。
控制输出格式与元数据
--output-type {pdfa,pdf,pdfa-1,pdfa-2,pdfa-3,none}：决定是否强制 PDF/A--sidecar：额外导出纯文本，便于全文索引--title/--author/--subject/--keywords：重写元数据，默认会沿用输入文件的 metadata
示例：
ocrmypdf \
--title "example" \
--author wszqkzqk \
--keywords "tag1,tag2" \
--sidecar example.txt \
scan.pdf example.pdf
若只想要 sidecar 文本，可把 --output-type none 并指定 --sidecar -，文本会直接输出到 stdout。
图像预处理常用组合
ocrmypdf 内置的清理参数可以显著提升识别率：
ocrmypdf \
-r --rotate-pages-threshold 10 \
-d --deskew \
--remove-background \
--oversample 400 \
notebook.pdf notebook-ocr.pdf
-r/--rotate-pages：根据文字方向自动旋转，可配--rotate-pages-threshold-d/--deskew：矫正扫描倾斜--remove-background：去除彩色底纹--oversample DPI：低分辨率扫描件可适当放大至 300~400 DPI
对于噪声严重的稿件，可以打开 --clean 或 --clean-final（后者会把清理后的图像写回 PDF），并用 --unpaper-args '--layout double' 这类参数传给 unpaper。
OCR 行为控制
| 选项 | 适用场景 |
|---|---|
-s/--skip-text |
PDF 里混有本就可选中文本的页面，避免重复 OCR |
-f/--force-ocr |
强制把所有对象 rasterize，适合“乱七八糟的导出” |
--redo-ocr |
移除旧的隐藏 OCR 层后重新识别 |
--skip-big MPixels |
对超大幅面图纸跳过 OCR 但仍保留页面 |
批量扫描时，通常的流程是：
ocrmypdf --skip-text input.pdf output.pdf # 只处理纯图片页
如果拿到的是数码导出的 PDF 但希望统一做 OCR，则需要用 --force-ocr，但这会重新 光栅化，体积和画质都会受影响。
性能与优化参数
-j/--jobs N：并行核心数，默认跑满-q/--quiet、-v/--verbose N：日志级别-O/--optimize {0..3}：控制 Ghostscript 后处理强度，2、3会启用有损 JPEG/JBIG2--jpeg-quality/--png-quality：细调图像压缩--jbig2-lossy：扫描件大量黑白文本时可显著减小体积，但不适合留档合同--fast-web-view：超过阈值时自动 linearize，便于浏览器边下边看
示例：
ocrmypdf -j 16 -O 1 --fast-web-view 0 paper.pdf paper-ocr.pdf
输入是图片而非 PDF 的情况
ocrmypdf 可以直接读取 jpg/png/tiff，但更推荐先用 img2pdf 控制页面尺寸，再通过管道喂给 OCR：
img2pdf --pagesize A4 page*.png | ocrmypdf - notebook.pdf
当图片自带 DPI 信息时不正确时，还可以手动指定：
ocrmypdf --image-dpi 300 scan.jpg scan.pdf
Tesseract 进阶参数
当默认配置无法识别表格或版面时，可以尝试：
ocrmypdf \
--tesseract-pagesegmode 6 \
--tesseract-oem 1 \
--tesseract-thresholding sauvola \
--user-words custom_words.txt \
blueprint.pdf blueprint-ocr.pdf
--tesseract-pagesegmode(PSM) 用于切换版面分析策略--tesseract-oem控制 LSTM/传统引擎--tesseract-thresholding在低对比度扫描件上很有用--user-words/--user-patterns能帮专业术语拿到更高置信度
记得配合 --tesseract-timeout 与 --tesseract-non-ocr-timeout，防止异常页面卡死：
ocrmypdf --tesseract-timeout 120 --tesseract-non-ocr-timeout 30 big.pdf big-ocr.pdf
故障排查与调试
--continue-on-soft-render-error：遇到字体缺失等渲染警告时继续下一页--max-image-mpixels：避免“decompression bomb”式的巨大图片-k/--keep-temporary-files：保留临时目录，方便分析预处理结果
执行失败时，临时目录里会有 step-XXX 的中间文件，结合 -v 1 的日志通常能定位问题。
小结
ocrmypdf 的命令行选项很多，但日常流程基本可以归纳为：确定语言 → 选择输出格式 → 按需打开预处理与优化 → 视情况启用 sidecar 或 Tesseract 进阶配置。想继续深挖可直接阅读官方文档。
