type
status
date
slug
summary
tags
category
icon
标签
参考标签
OCRmyPDF是一个基于Tesseract文字识别引擎的开源项目，可以识别扫描版PDF中的文字并保存为PDF/A或txt格式。它支持多语言识别，跨平台使用，批量识别，PDF页面校正，以及精准定位识别的文字。本文介绍了在Windows和macOS上的安装过程详细，包括安装必需的依赖软件和语言包。OCRmyPDF的识别效果优秀，相较于WPS，其识别出的单词数量更多。
引子
我现在读的专业是一年三学期制，下周就要期末考试了。期末考试是闭卷，但是按照规定，可以带十页参考资料。老师很贴心地给大家划了考试重点，还代劳给我们整理了相关的PDF课件，把重要内容都用高亮的荧光笔标记出来。但这些资料一共有八十页。╮(╯▽╰)╭
老师的这种做法很让人感动，这是在用行动告诉我们：“我一定会手下留情的。”而且最后一节课的主题也非常鲜明：“大家别担心，你们都能过”。老师已经仁至义尽了。
那怎么把这八十页PDF浓缩成十页A4纸，就看自己努力了。其实思路是很简单的，一页纸两张PPT，有用的也就是那些正文。那把PDF识别文字，保存成Word文件，再排排版，应该就差不多了。
但是，问题来了。老师的PDF无法识别文字，尤其是最重要的正文部分。这部分应该是老师截图的，而且加上了高亮，更难识别了。用WPS试了一下，笑死，根本识别不出来，比如前六页PDF，只能识别出下面一点点内容：
但实际上，正确识别的话，内容足足有两页A4纸：
指望WPS不行，就换软件嘛。macOS上的PDF Expert口碑一向不错，而且我也买了他们的付费高级功能，应该搞得定。结果，之前付费的高级功能（所谓“点睛套餐”）不包含文字识别和格式转换功能，要买新的超高级功能（“专业版”），而且原价588，现价打五折只要288！韭菜只割两茬，感不感动？
婉拒了婉拒了。考个免费的期末考试，就不再增加额外成本了。GitHub上那么多大佬开发的开源软件，功能更强，还免费供应，我把这钱省下来捐给他们都好。
简介
在GitHub上有个项目叫OCRmyPDF，是个基于Tesseract文字识别引擎的开源项目，主打扫描版PDF识别文字，可以保存成PDF/A格式，也支持保存为txt格式。非常符合我今天的需要。除此之外，它还有很多其他功能，对于我以后的需要也能满足，比如：
- 可以识别多种语言文字
- 可以跨平台（最起码macOS和Windows都能用）
- 可以批量识别
- 可以对PDF页面进行校正优化
- 识别的文字和在页面精准定位，方便复制粘贴
总体而言，功能上非常全面了，在OCR这方面已经拉满了。
安装软件
Windows
win键+ R 输入cmd打开命令行控制台，按照下面的步骤安装软件。
首先安装Python（必需的依赖软件）
然后安装Tesseract引擎（必需的依赖软件）
再然后安装Ghostscript （必需的依赖软件），在Ghostscript download page的页面上下载Ghostscript 10.02.1 for Windows (64 bit)，然后安装。
完成这一步之后可能需要重新启动系统。
最后安装OCRmyPDF
macOS
打开macOS的命令行工具term
首先安装Homebrew（如果你之前没安装过的话）
然后安装OCRmyPDF
安装完成后，可以先输入帮助命令，了解一下有哪些功能
安装语言包支持
对于我现在需要的功能来说，自带的英文就已经足够了，但为了以后的需要，顺便把多语言包给安装了，而且也不挑挑拣拣了，一口气把所有的语言都安装上算了。
Windows
去https://github.com/tesseract-ocr/tessdata/下载语言包文件（
.traineddata 文件），把下载好的文件复制到Tesseract安装文件夹里（我的是 C:\\Program Files\\Tesseract-OCR\\tessdata ）这里是我下载打包好的繁简中文语言包：
macOS
一次性安装全部支持的语言包
识别扫描版PDF并保存为可检索的PDF/A
逐个文件识别英文
现将命令行进入你存放PDF文件的目录，然后运行下面的命令
input.pdf是你想识别的文件名，output是你希望识别后保存的文件名。比如我的命令就是
报错，
page already has text! PDF页面上已经有文字了，不是扫描版。（我知道啊，老师就是文字和图片混合穿插的呀！！）在命令里加上
--force-ocr参数，强制进行OCR逐个文件识别中文或者中英文夹杂
上面的命令默认只识别PDF里的英文，如果要识别的文件里不是英文，要在命令里加参数指定。如果文件是简体中文，参数是
-l chi_sim，如果是繁体中文，参数是-l chi_tra，就是语言包的文件名部分。如果是简中加英文，参数是-l chi_sim+eng。比如：识别后保存文本为TXT文件
OCRmyPDF还有一个sidecar功能（就是挎子摩托车那个边斗），可以在文字是别的同时将文字提取出来保存成纯文本文件
在识别input.pdf文件的文字同时，输出output.pdf文件和output.txt文件。
这就是我这一次想要的功能，所以我的命令就是下面这个：
成果
识别效果还是拔群的，跟WPS识别的TXT文件相比，WPS一共识别了七千多个单词，OCRmyPDF一共识别了两万多字。
但是，听我们一个学习小组的小伙伴说，有一部分高亮的内容还是识别不出来，需要自己再校对编辑的过程里手动补足。反正本来就要调整排版格式，就顺道做了吧。
这样期末的小抄参考资料就准备好了。
OCRmyPDF的功能还有很多，比如优化PDF图像质量、批量文字识别之类的，可以去软件网站自行学习：
- 作者:TZ
- 链接:https://musingpages.com/technology/2024/03/07/ocrmypdf
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
