OCRmyPDF 使用教程

1. 项目介绍

OCRmyPDF 是一个开源的命令行工具，旨在为扫描的 PDF 文件添加光学字符识别（OCR）文本层，使其可搜索和可复制粘贴。OCRmyPDF 使用 Tesseract OCR 引擎，支持多种语言，并且能够优化 PDF 图像，生成更小的文件。此外，它还能生成符合 PDF/A 标准的文件，适用于长期存储。

2. 项目快速启动

2.1 安装 OCRmyPDF

2.1.1 在 Linux 上安装

在 Debian 或 Ubuntu 系统上，可以使用以下命令安装 OCRmyPDF：

sudo apt install ocrmypdf

在 Fedora 系统上，可以使用以下命令安装：

sudo dnf install ocrmypdf tesseract-osd

2.1.2 在 macOS 上安装

使用 Homebrew 安装 OCRmyPDF：

brew install ocrmypdf

2.1.3 在 Windows 上安装

在 Windows 上，可以使用 Windows Subsystem for Linux (WSL) 安装 OCRmyPDF：

sudo apt install ocrmypdf

2.2 使用 OCRmyPDF

安装完成后，可以使用以下命令对 PDF 文件进行 OCR 处理：

ocrmypdf input.pdf output.pdf

此命令会将 input.pdf 文件转换为可搜索的 output.pdf 文件。

3. 应用案例和最佳实践

3.1 批量处理多个 PDF 文件

假设你有一个包含多个 PDF 文件的目录，可以使用以下脚本批量处理这些文件：

for file in *.pdf; do
    ocrmypdf "$file" "ocr_$file"
done

3.2 优化 PDF 文件

OCRmyPDF 不仅可以添加 OCR 文本层，还可以优化 PDF 文件的大小。使用 --optimize 参数可以指定优化级别：

ocrmypdf --optimize 2 input.pdf output.pdf

3.3 处理多语言 PDF

如果你的 PDF 文件包含多种语言，可以使用 -l 参数指定语言：

ocrmypdf -l eng+fra input.pdf output.pdf

4. 典型生态项目

4.1 Tesseract OCR

Tesseract OCR 是 OCRmyPDF 使用的核心 OCR 引擎，支持超过 100 种语言。Tesseract 是一个高度可定制的 OCR 引擎，可以通过训练数据集来提高识别准确率。

4.2 Ghostscript

Ghostscript 是一个用于处理和显示 PostScript 和 PDF 文件的工具。OCRmyPDF 使用 Ghostscript 来处理 PDF 文件的图像和文本层。

4.3 pngquant

pngquant 是一个用于优化 PNG 图像的工具，OCRmyPDF 使用它来减少 PDF 文件中图像的大小。

通过这些工具的结合使用，OCRmyPDF 能够高效地处理和优化 PDF 文件，使其更适合长期存储和检索。