ocrmypdf/OCRmyPDF

解决的问题

OCRmyPDF 将本质上只是文字图像的扫描 PDF 文件，通过添加隐藏的 OCR 文本层，转换为可搜索和可复制粘贴的文档。它解决了其他 OCR 工具常见的问题，例如文本错位、多语言支持差、图像分辨率丢失，以及生成过大或无效的 PDF 文件。

工作原理

这是一个用 Python 编写的可脚本化的命令行工具，集成了 Tesseract OCR 引擎，可识别超过 100 种语言的文本。该工具处理 PDF，可选地清理图像（校正页面倾斜或旋转），并将识别出的文本准确地置于原始图像下方。它可以生成 PDF/A 文件（专为长期归档设计），并利用多个 CPU 核心分摊工作负载，提高效率。

适用人群

适用于需要数字化大量扫描文档的用户、希望通过命令行自动化 PDF 处理的开发者，以及需要符合规范的 PDF/A 文件用于归档的组织。

主要亮点

• 高保真度：保持原始图像分辨率，并在可能的情况下执行无损操作。
• 优化：通常比输入文件更小的最终文件大小。
• 图像校正：内置功能可校正倾斜的页面和纠正错误旋转的页面。
• 可扩展性：提供插件接口，可将 Tesseract 替换为 EasyOCR 或 PaddleOCR 等其他引擎。