OCRmyPDF：给扫描版 PDF 加上文字层

OCRmyPDF：给扫描版 PDF 加上文字层

扫描版 PDF 有个尴尬的问题。看着是文字，实际是图片。想搜索、复制、标注，全都做不到。OCRmyPDF 这个 33.7k Star 的开源项目，就是专门解决这件事的。

能干什么

核心功能一句话：给扫描版 PDF 加一层 OCR 文字，让它变成可搜索、可复制的文件，同时不破坏原内容。

具体来说：

• 给 PDF 添加 OCR 文字层，文字位置精确对齐在图片下方，复制粘贴体验自然
• 保持原始图片的分辨率，不做降质处理
• 支持 100 多种语言，多语言混合文档也能处理
• 自动纠正歪斜页面和方向错误的页面
• 输出默认是 PDF/A 格式，适合长期存档
• 多核并行处理，上千页的大文件也能稳定跑
• 纯 Python 实现，Linux、macOS、Windows、FreeBSD 全平台支持

简单说，给它一个扫描版 PDF，它还你一个带着文字层的 PDF，文件体积通常还会变小。

怎么用

安装很省事。Debian/Ubuntu 直接 apt install ocrmypdf，macOS 用 brew install ocrmypdf，也支持 Docker 部署。装好之后跑一条命令：

ocrmypdf input_scanned.pdf output_searchable.pdf

中英文混排文档指定语言就行：ocrmypdf -l chi_sim+eng input.pdf output.pdf。

和同类方案比

OCR 工具很多，但做到这个完整度的不多。它的关键差异在文字定位精度。OCR 文字层精确对齐到每个文字在图片里的实际位置，复制出来的文字，顺序和内容都是对的。

它走的是无破坏操作模式。只要条件允许，OCR 信息作为增量数据写入 PDF，不动原始内容。很多 OCR 工具常见的副作用在这里都不存在：图片被重新压缩、分辨率下降、文件体积暴涨。

谁适合用

做文档管理的，特别是用 paperless-ngx 这类系统的，OCRmyPDF 可以直接集成进去，自动化处理大量扫描文档。

做 AI 知识库的，扫描版 PDF 要喂给 RAG 系统，第一步就是把图片变成可索引的文字。OCRmyPDF 比在线 OCR 服务更可控，数据不需要离开自己的服务器。

需要长期存档的场景，PDF/A 输出格式能保证这些文件在很多年后还能正常打开和搜索。

局限

依赖 Tesseract OCR 引擎，对复杂排版（多栏、表格嵌套、竖排文字）的识别效果有限。不过社区已经有插件支持 Apple Vision 和 PaddleOCR 等替代引擎，中文识别效果有提升空间。

OCRmyPDF 是一个定位清晰、把一件事做透的工具。没有 UI，没有复杂配置，命令行一句话就把扫描 PDF 变成可搜索可复制的 PDF。这种工具往往用得最久。