OCRmyPDF使用教程

核心命令速查表

	# 单文件处理（中文文档优化版）
	ocrmypdf -l chi_sim --deskew --clean --rotate-pages --output-type pdfa input.pdf output.pdf
	# 带文本层提取的复合命令
	ocrmypdf -l chi_sim --sidecar output.txt --optimize 3 input.pdf output.pdf
	# 批量并行处理（3线程/80%负载）
	parallel --tag --load 80% -j 3 ocrmypdf -l chi_sim --deskew --clean '{}' 'output/{}' ::: *.pdf

---

系统化操作指南

一、环境配置体系

1.1 基础安装矩阵

1.2 组件验证流程

	# 校验核心组件
	ocrmypdf --version
	tesseract --list-langs # 确认chi_sim存在

---

二、单文件处理协议

2.1 基础OCR转换

ocrmypdf -l chi_sim --output-type pdfa input.pdf output.pdf

技术说明：
• -l chi_sim 启用简体中文识别引擎
• --output-type pdfa 生成符合ISO 19005标准的存档文件

2.2 图像增强处理

ocrmypdf --deskew --clean --rotate-pages -l chi_sim input.pdf output.pdf

参数解析：

1. --deskew：自动校正±30度内扫描倾斜（基于Leptonica算法）
2. --clean：应用unpaper算法消除扫描伪影
3. --rotate-pages：智能修正90°倍数页面旋转

---

三、批量处理架构

3.1 GNU Parallel集成方案

（本人未实际验证此部分）

wsl parallel --eta --load 80% -j 4 ocrmypdf -l chi_sim --optimize 3 '{}' 'output/{}' ::: *.pdf

参数优化策略：
• --eta 动态显示剩余时间预测
• -j 4 根据CPU核心数动态调整（建议核心数×0.8）
• --load 80% 防止系统资源耗尽

3.2 异常处理机制

find . -name "*.pdf" -print0 | parallel -0 --joblog ocr.log --resume-failed ocrmypdf {}

功能特性：
• 断点续处理能力
• 错误日志记录（ocr.log）
• 兼容含空格路径

---

四、高级优化工程

4.1 文件压缩策略

ocrmypdf --optimize 3 --pdfa-image-compression jpeg input.pdf output.pdf

压缩等级说明：

4.2 混合文档处理

ocrmypdf --pages 1-5,8 --redo-ocr input.pdf output.pdf

应用场景：
• 保留原文档矢量图形
• 仅更新指定页面的OCR层
• 兼容数字文本与扫描内容

---

五、质量控制体系

5.1 校验诊断命令

ocrmypdf --tesseract-config debug input.pdf output.pdf

输出分析：
• 生成OCR置信度热力图
• 输出字符定位数据

5.2 图像超采样方案

ocrmypdf --oversample 600 input.pdf output.pdf

技术规范：
• 适用于低DPI扫描件(＜200dpi)
• 配合Tesseract 5.2+版本使用

---

技术参数对照表

---

故障排除指南

1. 文字错位问题
   启用精确渲染模式：--pdf-renderer hi_res

2. 语言识别异常
   校验语言包安装：tesseract --list-langs | grep chi_sim

3. 批量处理中断
   使用断点续传命令：parallel --resume --joblog ocr.log