如何用 OCRmyPDF 为扫描版 PDF 添加可搜索的 OCR 文字层

扫描得到的 PDF 往往只是逐页图像：文字无法选中、无法搜索、无法复制。OCRmyPDF 通过 OCR 识别图像中的文字，把识别结果作为一层文字“贴”回原 PDF，让扫描版文档变得可搜索、可复制粘贴。本文的任务就是：在一个已安装 OCRmyPDF 的 Linux/macOS/Windows 环境中，把 input.pdf 这样的扫描版文件处理成可搜索的输出文件，并能核对文字层是否真正生效。

OCRmyPDF 使用 Tesseract OCR 引擎做识别，默认输出经过校验的 PDF/A-2b 归档格式（见 docs/introduction.md）。

准备环境：安装并确认 OCRmyPDF 可用

OCRmyPDF 是 Python 程序，依赖外部程序（Tesseract、Ghostscript 等），必须通过系统包管理器或完整安装来满足，单独的 pip install 无法覆盖全部依赖。最低要求是 Python 3.11+、Tesseract 4.1.1+，以及 Ghostscript 9.54+ 或 Python 包 pypdfium2 二者之一（v17 起 Ghostscript 不再是硬性要求），详见 docs/installation.md。

各平台的一行安装命令：

# Debian / Ubuntu / WSL
apt install ocrmypdf

# Fedora
dnf install ocrmypdf tesseract-osd

# macOS 或 Linux（Homebrew）
brew install ocrmypdf

安装后运行内置帮助，确认命令可用：

ocrmypdf --help

Tesseract 默认自带英文语言包；处理其他语言时再按后文说明安装语言包。

执行 OCR：一条命令加上 OCR 文字层

主路径只有一条命令（见 docs/cookbook.md）：

ocrmypdf input.pdf output.pdf

OCRmyPDF 会分析每一页所需的颜色空间和分辨率，把页面栅格化为图像、对图像执行 OCR，再把 OCR 文字层合并回原 PDF。与“先导出图像、识别后重新拼 PDF”的手动流程不同，这个方式对原文件的改动最小，能保留原有的分辨率、内容和元数据。

两个常用变体：

• 不想生成 PDF/A、只要普通 PDF 时，加 --output-type pdf：

  ocrmypdf --output-type pdf input.pdf output.pdf
  

• 原地修改文件（输入和输出同名）。只有 OCRmyPDF 成功时才会覆盖原文件：

  ocrmypdf myfile.pdf myfile.pdf
  

验证结果：确认文字层真的存在

判断“可搜索”是否达成，文档给出两条可操作的路径：

1. 生成 sidecar 文本文件：加 --sidecar 参数，OCRmyPDF 会额外输出一个包含 OCR 识别文本的 .txt 文件，直接查看它就能核对识别结果：

   ocrmypdf --sidecar output.txt input.pdf output.pdf
   

   注意 sidecar 只包含 OCR 识别出的文本：原本就带文字层的页面、以及被 --pages 之外跳过的页不会出现在其中。

2. 从输出 PDF 中提取文字：用 Poppler 的 pdftotext 或 pdfgrep 对 output.pdf 提取/搜索文本。如果原扫描件没有文字层，而输出文件能提取出对应内容，说明 OCR 文字层已写入。

   此外，--sidecar 配合 --output-type none 并把输出文件名设为 - 时，可以不生成 PDF、只输出文本，适合快速试识别效果。

默认输出为 PDF/A 时，OCRmyPDF 会校验输出文件（README 中将其描述为 “validated PDF output”）；若环境装有 verapdf，v17 起还会走先加 PDF/A 元数据、再用 verapdf 校验的转换路径，校验不通过才回落到 Ghostscript。

遇到已有文字或重做 OCR 的情况

对一份已经含可打印文字或隐藏 OCR 层的 PDF 直接运行 OCRmyPDF 会中止并报错：

ERROR -    1: page already has text! – aborting (use --force-ocr to force OCR)

文档给出的三个选项，按目的选择（见 docs/errors.md）：

• ocrmypdf --force-ocr input.pdf output.pdf：强制把所有内容栅格化后重新 OCR。适用于之前 OCR 失败或文档带文字水印的情况；代价是整页重建为图像，可能损失质量。
• ocrmypdf --skip-text input.pdf output.pdf（v17 起等价于 --mode skip）：跳过含文字的页面，这些页面原样复制进输出。
• ocrmypdf --redo-ocr input.pdf output.pdf（v17 起等价于 --mode redo）：移除文件里已有的非打印 OCR 层后重新识别，适合用新版 Tesseract 重做旧结果。此方式不栅格化、不降低质量；若文件混合了纯数字文本与 OCR 层，数字文本会被保留、只替换 OCR 部分。

可选分支：非英文文档与质量提升

非英文文档：Tesseract 无法自动检测语言，未指定时默认按英文识别，识别质量会变差。先安装对应语言包，再用 -l 指定三字母语言代码，例如 Debian/Ubuntu 上：

# 以简体中文为例：先安装语言包
apt-get install tesseract-ocr-chi-sim

# 识别时指定语言；多语言文档用 + 连接
ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf

各平台安装语言包的方法见 docs/languages.md。

扫描质量一般的文档：识别前可做图像处理，选项可任意组合，执行顺序固定（rotate、remove background、deskew、clean）：

# 页面横向倾斜（歪斜）时
ocrmypdf --deskew input.pdf output.pdf

# 页面朝向整体错误（横竖页混放）时
ocrmypdf --rotate-pages myfile.pdf myfile.pdf

# 组合使用
ocrmypdf --deskew --clean --rotate-pages input.pdf output.pdf

--deskew 处理“稍微歪了”的页面，--rotate-pages 处理“朝向角度错了”的页面。由于图像处理后可能移除不想要的内容，文档建议处理完后逐页查看输出文件。

限制

• OCR 准确性受限于 Tesseract：不能识别手写体；扫描质量差、语言未通过 -l 指定、双栏排版等情况下识别效果会下降。
• Tesseract 只输出文字和包围盒，不区分段落或标题，生成的 PDF 不包含文档结构信息。
• 无法在保留数字签名的同时添加 OCR 层；默认会拒绝处理已签名的 PDF（可用 --invalidate-digital-signatures 覆盖，但会使签名失效）。
• 无法打开用数字证书加密的文档。

处理完成后，用 pdftotext 提取输出文件中的文字、在 PDF 阅读器中选中/搜索文本，就是本文场景下的最终核对方式。更多参数（优化级别、页数范围 --pages、rasterizer 选择等）见 docs/cookbook.md 与 docs/introduction.md。