ocrmypdf/OCRmyPDF

解决的问题

OCRmyPDF 解决了扫描 PDF 文件本质上是无法搜索、索引或复制粘贴的图像这一问题。它通过添加精确的 OCR 文字层，将这些“平面”PDF 转换为可搜索的文档，且不会破坏原始视觉质量。

运作方式

这是一个可编写脚本的命令行工具，使用 Tesseract OCR 引擎来识别超过 100 种语言的文字。处理过程包括分析 PDF、选择性地清理图像（校正歪斜或旋转页面），然后将识别出的文字准确地插入原始图像下方。它可以产生用于长期存档的 PDF/A 文件，并能优化图像以潜在地缩减最终文件大小。

适用对象

专为需要数字化大量扫描文件的用户、寻求自动化文件处理的开发人员，以及任何希望在保持数据隐私的同时让私人档案可搜索的人士所设计。

特色亮点

• 可搜索的 PDF/A: 生成符合行业标准的 PDF/A 文件以供长期存储。
• 图像优化: 通过优化嵌入式图像，通常能产生比输入文件更小的输出文件。
• 无损操作: 在可能的情况下插入 OCR 信息而不干扰现有内容。
• 预处理: 内置校正歪斜页面与旋转未对齐页面的功能。
• 可扩展性: 支持插件，可将 Tesseract 引擎替换为 EasyOCR 或 PaddleOCR 等替代方案。