扫描版 PDF 搜不到字？OCRmyPDF 给它加一层可搜索文本

GitHub 仓库

ocrmypdf/OCRmyPDF

总 Stars

★ 35,176

主要语言

Python

查看 GitHub 项目

结论先说：OCRmyPDF 是给扫描版 PDF 加 OCR 文本层的工具，3.5 万 stars、Python 编写、MPL-2.0 协议，10 月 25 日仍在更新。它解决的问题很小，但很痛：扫描出来的 PDF 看得见字，却搜不到字。

是什么：一个命令行工具，把 OCR 识别出的文本以不可见图层的形式叠加到扫描 PDF 上，原版式与图片原样保留，文件从此变得可搜索、可复制。

能干嘛：批量处理扫描合同、档案、旧书扫描件；处理完的 PDF 可以全文检索、可以划词复制，还能进后续的文档管理系统。

适合谁：经常和扫描件打交道的人：档案整理、法务、财务、图书馆数字化；以及要把一堆扫描 PDF 变成可检索资料库的团队。

注意点：识别准确率取决于原图质量与语言包，模糊、倾斜、手写体效果会打折；批量跑之前先拿几份最差样本测一轮。

它和 Tesseract 是什么关系？

可以理解为“Tesseract 的打包工”：底层识别由 Tesseract 这类引擎完成，它负责把结果正确贴回 PDF 并处理页面与图层，一个命令就把整件事办了。

站长点评：我选它是因为它代表了一种我很喜欢的工具品格：只解决一个问题，但解决得干净彻底。同类里直接上 OCR 引擎要自己处理 PDF 结构，OCRmyPDF 把这层脏活全包了。我的判断是：手里有扫描件存量的人，装上它跑一批，检索体验会立刻上一个台阶。