OCRmyPDF
给扫描件PDF添加可搜索文字层的开源OCR工具，支持多语言和PDF/A归档标准
预览
详细介绍
是由开发者James R. Barlow发起并持续维护的开源PDF光学字符识别（OCR）工具，核心定位是“让扫描版PDF从静态图片升级为可搜索、可复制、可归档的智能文档”——它不满足于做一份简单的PDF转Word工具或零散的OCR命令行封装，而是将精准OCR文本层嵌入、PDF/A长期存档格式输出、多语言识别（100+种）、图像预处理（纠偏/去歪斜）、多核并行处理、无损操作保持原始分辨率等20+
一、OCRmyPDF是什么
OCRmyPDF采用“命令行工具+Python库+跨平台支持”三位一体的使用体验，通过GitHub完全开源发布，采用MPL-2.0许可证。项目由开发者James R. Barlow发起并持续维护，截至2026年7月已获得20,000+ GitHub Stars，累计发布17.x版本，被数百万份PDF实战检验。项目提供Linux（apt/dnf/snap）、macOS（Homebrew/MacPorts/nix）、Windows、FreeBSD、OpenBSD等多平台安装方式，以及Docker镜像（支持x64和ARM架构）。
OCRmyPDF的运作机制与市面常见的“在线PDF转换工具”或“轻量级OCR封装”有本质区别。它不是简单的“PDF转图片→OCR→合成PDF”流水线，而是一套经过战斗测试、功能完备、生产就绪的PDF OCR工程方案。项目的诞生源于作者的真实痛点：搜索网络寻找免费的命令行PDF OCR工具，发现要么OCR文本位置错位导致无法复制粘贴，要么不支持重音字符和多语言，要么改变原始图像分辨率，要么生成体积巨大的PDF，要么崩溃，要么生成的PDF格式无效。OCRmyPDF通过Tesseract OCR引擎识别100+种语言的文本，通过精准的文本层定位确保复制粘贴的准确性，通过无损操作保持原始嵌入图像的分辨率，通过PDF/A格式输出满足长期存档需求。项目被广泛应用于paperless-ngx等知名文档管理系统的底层OCR引擎。
二、OCRmyPDF能做什么
OCRmyPDF的核心能力可以精炼地概括为：识、转、优、批、安，围绕这五大维度提供了从扫描文档到可搜索PDF的完整路径，覆盖PDF文档处理的全方位需求，具体包括：
高精度OCR文本识别（识） ——让扫描图片变成可搜索的文字。OCRmyPDF通过Tesseract OCR引擎为PDF中的每一页图像添加不可见的OCR文本层。用户可以在PDF中直接搜索关键词、选中并复制粘贴文本内容。支持100+种语言的识别，包括中文（简/繁）、英文、法文、德文、日文、韩文等。文本层被精确放置在图像下方对应位置，确保复制出来的文本顺序正确。
PDF/A长期存档格式输出（转） ——让文档经得起时间的考验。OCRmyPDF默认输出PDF/A格式——这是国际标准化组织（ISO）制定的专门用于电子文档长期存档的PDF格式，确保文档在未来数十年依然可读、可渲染。这一能力是作者在调研竞品时发现“没有任何一个工具能生成PDF/A”后决定自己动手的核心动机之一。
图像优化与质量保持（优） ——文件更小，质量不降。OCRmyPDF在插入OCR信息时尽可能采用无损操作，不干扰PDF中的其他内容。同时优化PDF图像，通常产生的文件比输入文件更小。支持自动纠偏（deskew）和去歪斜（rotate-pages），修正扫描过程中产生的页面倾斜问题。系统会智能分析每一页PDF，确定所需的色彩空间和分辨率（DPI），在不丢失内容的前提下完成OCR。
多核并行与大规模处理（批） ——数千页文档，轻松应对。OCRmyPDF默认使用所有可用的CPU核心并行分配工作。能够正确处理包含数千页的文件，经过数百万份PDF的实战检验。这种“多核并行+大规模处理”的设计，让OCRmyPDF不仅适用于个人偶尔使用，也适合企业级批量文档处理。
数据隐私与跨平台安全（安） ——你的数据，只属于你。OCRmyPDF保护您的私人数据安全——所有处理在本地完成，无需将文档上传到任何云端服务。支持Linux、macOS、Windows、FreeBSD等主流操作系统，可通过Docker在任何环境中一致运行。同时提供Python API，可无缝集成到自动化工作流中。
三、OCRmyPDF适合谁用
OCRmyPDF的内容设计使其适配各类需要将扫描PDF转换为可搜索文档的个人与团队，核心聚焦那些“手上有大量扫描PDF无法搜索、无法复制、无法归档”、希望从“图片式PDF”升级为“智能文档”的人群，主要涵盖以下几类：
知识工作者与研究人员——需要阅读大量扫描版论文、古籍、历史文献，希望在PDF中直接搜索关键词、复制引用文本的研究者和学者。OCRmyPDF将“不可搜索的图片”变为“可搜索的智能文档”，大幅提升文献调研效率。
企业行政与档案管理人员——负责合同、发票、报告等纸质文档的数字化归档工作。OCRmyPDF的PDF/A输出格式满足长期存档的合规要求，批量处理能力可应对数千页的大规模文档。
个人与家庭用户——希望将老照片、旧信件、扫描书籍数字化，建立个人可搜索的数字档案库。OCRmyPDF支持100+种语言，包括中文，满足多语言文档的处理需求。
开发者与系统集成者——需要将OCR能力集成到自己的应用或工作流中。OCRmyPDF提供Python库和命令行工具双接口，已被paperless-ngx等知名开源项目作为底层OCR引擎使用。
注重数据隐私的用户——对文档内容有严格的隐私要求，不能将敏感文件上传到云端OCR服务。OCRmyPDF完全本地运行，数据不出设备。
四、OCRmyPDF的应用场景是什么
基于其内容设计与定位，OCRmyPDF的应用场景主要围绕文档数字化归档、学术文献处理、企业文档管理和自动化工作流集成，覆盖从个人使用到企业级部署的多个场景，具体包括：
纸质文档数字化与归档场景——企业或机构需要将大量纸质合同、发票、报告扫描为PDF，并希望这些PDF可搜索、可检索、可长期保存。OCRmyPDF提供了一条“扫描→OCR识别→PDF/A输出→归档”的完整路径。PDF/A格式确保文档在数十年后依然可读。
学术研究与文献管理场景——研究人员下载的扫描版PDF论文无法搜索关键词、无法复制引用文字。OCRmyPDF为这些PDF添加精准的OCR文本层，让研究者可以在PDF阅读器中直接搜索、高亮、复制，将“死图片”变为“活文档”。
企业文档自动化处理场景——企业需要批量处理数千份扫描PDF。OCRmyPDF的多核并行处理能力和命令行可脚本化特性，使其可以无缝集成到企业自动化工作流中。已被paperless-ngx等文档管理系统用作底层OCR引擎。
个人知识管理与第二大脑构建场景——个人用户希望将扫描的书籍、笔记、信件数字化，建立可搜索的个人知识库。OCRmyPDF让普通用户也能轻松将纸质内容转化为可搜索、可复制的数字文档。
合规与长期存档场景——法律法规要求某些文档必须以PDF/A格式长期保存。OCRmyPDF默认输出PDF/A格式，满足金融、医疗、政府等行业的合规存档需求。
五、OCRmyPDF为什么值得关注
OCRmyPDF之所以值得关注，核心在于它将“PDF OCR从碎片化的、不可靠的开源工具升级为经过数百万份文档实战检验的企业级工程方案”，并具备“精准可靠、功能完备、隐私安全、跨平台自由”的独特价值，具体体现在以下几点：
从“能用”到“可靠”的质量飞跃。市面上免费的PDF OCR工具普遍存在各种缺陷——文本错位、不支持多语言、改变分辨率、生成无效PDF。OCRmyPDF通过精准的文本层定位、无损操作保持原始分辨率、PDF/A格式验证、Tesseract 100+语言支持等工程化手段，将“能用但不好用”升级为“可靠且专业”。项目自称“经过战斗测试，在数百万份PDF上验证过”——这种质量承诺在开源OCR工具中极为罕见。
从“零散工具”到“完整方案”的功能纵深。大多数PDF OCR工具只做“OCR”这一件事。OCRmyPDF构建了从图像预处理（纠偏/去歪斜/去污）到OCR识别（100+语言）到PDF优化（文件更小）到格式输出（PDF/A存档级）到批量处理（多核并行/数千页）的完整工具链。每一个环节都有深度功能支撑，而非浅尝辄止。
从“云端依赖”到“本地自主”的隐私安全。在线PDF OCR服务需要将文档上传到第三方服务器——合同、发票、个人信件等敏感内容面临隐私泄露风险。OCRmyPDF完全在本地运行，数据不出设备。这种“隐私优先”的设计，让OCRmyPDF成为政府、金融、医疗等对数据安全有严格要求的行业的首选工具。
从“单一平台”到“全平台+容器化”的覆盖广度。大多数开源OCR工具只支持Linux。OCRmyPDF支持Linux、macOS、Windows、FreeBSD、OpenBSD等主流操作系统，并提供Docker镜像（同时支持x64和ARM架构）。无论你在什么平台上工作，都能以一致的方式使用OCRmyPDF。
从“个人项目”到“生态基石”的社区认可。OCRmyPDF不是个人开发者的玩具，而是被paperless-ngx等知名开源项目作为底层OCR引擎集成。被Debian、Fedora、Alpine、FreeBSD等主流发行版官方收录。PyPI下载量超过210万次。这种“被生态广泛采用”的事实，是项目质量最有力的证明。
持续进化与社区驱动。项目从v8.1.0到v17.x持续迭代，累计发布17个大版本。新增了--pdf-renderer=auto智能渲染器选择、PDF 2.0规范兼容的页面边界框验证与修复、优化的PDF优化器插件钩子等持续演进的功能。这种“长期主义”的维护姿态，确保了项目在PDF和OCR技术演进中始终保持前沿。
现实挑战与生态成熟度。OCRmyPDF并非没有短板。首先，OCR质量高度依赖于Tesseract引擎和语言包的安装——用户需要自行安装所需语言的Tesseract数据包。其次，虽然支持100+种语言，但混合语言文档（如中英混排）的识别精度仍有提升空间。再次，对于复杂版面（多栏、表格、图文混排）的文本顺序还原，可能不如专业商业OCR软件。
