OCRmyPDF将PDF文件中的文字提取出来

OCRmyPDF 是一个开源的 Python 脚本工具，旨在通过OCR（光学字符识别）技术，将扫描的PDF文件中的图像内容转化为可搜索、可复制粘贴的文本层。简单来说，它能将PDF文件中的文字提取出来，同时保留原有的图像分辨率，确保用户能够轻松复制和粘贴内容。这个工具不仅支持多种语言，还能够处理数千页的文件，堪称PDF处理领域的神器！

主要功能

1. OCR文本提取与保留图像分辨率OCRmyPDF 的核心功能是将PDF文件中的OCR文本提取出来，并将其准确地放置在图像下方，这样用户就可以轻松复制和粘贴文字内容。同时，它能够保留原始图像的分辨率，避免因压缩或调整而丢失质量。
2. 多语言支持作为Tesseract OCR引擎的亲儿子，OCRmyPDF 支持超过100种语言，无论是中文、英文还是其他语言，都能轻松识别并提取。
3. 优化PDF图像通过OCRmyPDF，用户可以优化PDF图像，通常生成的文件比输入文件小，节省存储空间。
4. 预处理功能OCRmyPDF 提供了预处理功能，用户可以根据需求对图像进行校正或清理，然后再进行OCR识别，确保后续操作的准确性。
5. 无损插入OCR信息该工具能够尽可能以无损方式插入OCR信息，不会干扰其他内容，确保文件的完整性和可编辑性。
6. 多核支持OCRmyPDF 在所有可用的CPU核心上分配工作，能够高效处理大量文件，提升处理速度。

开源成就

目前已经获得16.5K Star

安装指南

安装OCRmyPDF非常简单，它支持多种操作系统：

• Linux：通过包管理器安装，例如 apt install ocrmypdf。
• macOS：通过 Homebrew 或其他工具安装。
• Windows：通过 Docker 镜像安装。
• FreeBSD：通过 pkg install py-ocrmypdf 安装。

安装完成后，用户可以通过命令行运行工具，根据需求添加OCR层、转换文件格式或处理其他操作。

功能展示

生成 PDF/A 文件

ocrmypdf input.pdf output.pdf

说明：添加 OCR 层，生成 PDF/A 格式文件，适合长期保存。

生成普通 PDF 文件

ocrmypdf --output-type pdf input.pdf output.pdf

说明：添加 OCR 层，生成普通 PDF 文件，适合日常使用。

生成 PDF 和文本文件

ocrmypdf --sidecar output.txt input.pdf output.pdf

说明：生成 PDF 文件的同时，提取文字到单独的文本文件，方便后续处理。

OCRmyPDF 是一个功能强大且易于使用的工具，能够帮助用户高效处理PDF文件。无论是提取OCR文本、优化图像还是处理多语言文件，它都能提供卓越的表现。如果你正在寻找一款能够提升PDF处理效率的工具，OCRmyPDF绝对值得一试！

开源地址: https://github.com/ocrmypdf/OCRmyPDF/

[超站]友情链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
关注数据与安全，洞悉企业级服务市场：https://www.ijiandao.com/