有没有能做pdf ocr的工具

12 min read Updated

背景与目标

本文围绕“有没有能做pdf ocr的工具”展开，整理可直接复用的步骤、原理说明与排查经验。

核心内容

主题 1. 有没有能做pdf ocr的工具

做 PDF OCR（光学字符识别）的工具非常多，根据你的身份（开发者、普通用户还是企业级需求）和具体的使用场景，可以分为以下几大类：

1. 面向开发者的开源工具 (高自定义、免费)

如果你想通过代码批量处理，或者集成到自己的项目中：

  • PaddleOCR (推荐)：由百度开发，目前对中文识别效果最好的开源库之一。支持多语言、多方向文字识别，且模型轻量，运行速度快。
  • Tesseract OCR：由 Google 维护的老牌 OCR 引擎。虽然对复杂排版的处理稍弱，但支持语言极其丰富，是很多工具的底层内核。
  • OCRmyPDF：这是一个专门为 PDF 设计的命令行工具。它能在扫描版 PDF 上增加一个“文字层”，让文件变得可搜索、可复制，同时保留原始图像。
  • EasyOCR：基于 PyTorch，易用性极高，几行 Python 代码就能搞定，适合快速开发。

2. 桌面级综合软件 (精准、功能全面)

适合处理大量文档、复杂表格或需要精细校对的场景：

  • ABBYY FineReader PDF：OCR 界的“天花板”。识别准确率极高，尤其擅长处理多栏排版、复杂表格和手写体，支持导出为多种格式。
  • Adobe Acrobat Pro：PDF 的行业标准。它的 OCR 功能集成在编辑流程中，识别后可以直接原地修改 PDF 里的文字，字体还能自动匹配。
  • PDFelement (万兴 PDF)：性价比相对较高的选择，界面现代，OCR 插件识别率不错，适合个人或小团队。

3. 轻量化与在线工具 (方便、快捷)

如果你只是偶尔用一下，不想安装庞大的软件：

  • PDFgear：完全免费且功能强大的桌面 PDF 工具，内置了非常不错的 OCR 功能，是目前市面上少有的“良心”全能软件。
  • 在线平台 (如 iLovePDF, Smallpdf)：打开网页即可上传处理，适合单份小文件的临时需求。但要注意隐私，敏感文档建议使用本地工具。
  • 白描 (网页版/App)：国内口碑极好的 OCR 工具，对中文优化非常好，支持拍照转 PDF/Word。

选购建议表

需求场景推荐工具理由
追求最高准确率/企业办公ABBYY FineReader几乎无差错，表格还原度高
日常办公/编辑 PDF 内容Adobe Acrobat Pro编辑与识别一体化
开发者/批量自动化PaddleOCR / OCRmyPDF免费开源，可高度定制
完全免费/轻量使用PDFgear无广告，功能齐全
中文识别/手机端白描针对中文排版有深度优化

你是准备处理大量的学术论文、发票账单，还是只是想偶尔把一张图片里的文字抠出来。

主题 2. ocrmypdf怎么在arch上安装，我去pacman没搜到

在 Arch Linux 上，ocrmypdf 确实不在官方仓库（Extra）中，因为它依赖大量的 Python 包和复杂的 C 库，维护成本较高。

你可以在 AUR (Arch User Repository) 中找到它。既然你平时习惯使用 pacman，建议安装一个 AUR Helper（如 yay 或 paru）来简化这个过程。

1. 使用 AUR 安装 (推荐)

如果你已经安装了 yay，直接运行：

yay -S ocrmypdf

如果是 paru：

paru -S ocrmypdf

注意： 安装过程中会编译和下载较多依赖（如 tesseract, unpaper, ghostscript 等），可能需要几分钟时间。

2. 如果你没有 AUR Helper (手动安装)

如果你不想安装 yay，可以手动克隆并编译：

sudo pacman -S --needed base-devel git
git clone https://aur.archlinux.org/ocrmypdf.git
cd ocrmypdf
makepkg -si

3. 另一种方案：使用 Docker (最省事)

考虑到你对 DevOps 和容器化 比较熟悉，其实用 Docker 跑 ocrmypdf 可能是最干净的选择，不会污染你的 Arch 系统环境，也避免了复杂的依赖编译：

# 拉取镜像
docker pull jbarlow83/ocrmypdf

# 运行 OCR 处理（将当前目录下的 input.pdf 处理为 output.pdf）
docker run --rm -v "$(pwd):/home/docker" jbarlow83/ocrmypdf input.pdf output.pdf

4. 关键配置：中文支持

安装完 ocrmypdf 后，你还需要安装 Tesseract 的中文语言包，否则它无法识别中文：

sudo pacman -S tesseract-data-chi_sim tesseract-data-chi_tra

然后在执行命令时加上 -l chi_sim 参数：

ocrmypdf -l chi_sim input.pdf output.pdf

常用命令小结

  • 最基础： ocrmypdf input.pdf output.pdf (默认识别英文)
  • 跳过已包含文字的项目： ocrmypdf --skip-text input.pdf output.pdf (适合处理那种“图片+文字”混合的 PDF)
  • 自动旋转纠偏： ocrmypdf --rotate-pages --deskew input.pdf output.pdf

你是打算把这个集成到你的 RevieU 项目 的自动化工作流中，还是单纯为了处理课业论文。

排查场景 1. ~/workspace/ocrmypdf-17.0.1 ❯ sudo p…

  • 场景：~/workspace/ocrmypdf-17.0.1 ❯ sudo p…
  • 处理要点：
    这个 404 错误在 Arch Linux 上非常经典。原因很简单：Arch 是滚动更新的，镜像站已经把旧版本的包删掉了，而你本地的包数据库（Package Database）还停留在旧版本信息上，所以 pacman 去拉取时发现文件找不到了。

你只需要同步一下数据库并升级系统即可解决。

1. 修复方法

运行以下命令同步并升级：

sudo pacman -Syu docker
  • -S：安装。
  • -y：下载最新的包数据库（解决 404 的关键）。
  • -u：升级已有的包。注意： 在 Arch 上不建议只用 -Sy 后跟安装命令，这会导致“部分升级”（Partial Upgrade），可能会引发依赖冲突，所以习惯性带上 -u。

2. 如果依然速度慢或报错

如果你发现下载速度很慢，可能是当前的镜像站同步不及时。建议更新一下你的 mirrorlist。作为 Arch 用户，建议安装 reflector 来自动获取最快镜像：

sudo pacman -S reflector
sudo reflector --verbose --latest 10 --protocol https --sort rate --save /etc/pacman.d/mirrorlist

运行完后再执行 sudo pacman -Syu docker。

3. 安装后的关键一步

既然你正在安装 Docker，装完后别忘了启动服务，否则运行命令会报错：

sudo systemctl enable --now docker

注：--now 相当于同时执行了 start 和 enable。

4. 权限小贴士

既然你是一个偏向 DevOps 的开发者，一定不想每次跑 docker 都敲 sudo。记得把你自己加入 docker 组：

sudo usermod -aG docker $USER

然后注销重新登录（或者输入 newgrp docker 立即生效）。

下一步建议

安装好 Docker 后，你可以直接运行 ocrmypdf 的容器版本了。需要我帮你写一个能直接处理你当前 ~/workspace/ocrmypdf-17.0.1 目录下 PDF 的 alias 或者脚本吗。

排查场景 2. Wayne-5090 docker run —rm -v ”$ pw…

  • 场景：Wayne-5090 docker run —rm -v ”$ pw…
  • 处理要点：
    看来你的 Docker 已经成功跑起来了，这很好。

这个报错的原因是 Docker 容器内部的 工作目录权限 或者 路径映射 问题。在容器里，虽然你挂载了 $(pwd) 到 /home/docker，但容器默认的工作目录可能并不是这里。

你可以通过以下两种方式修复：

方法 1：明确指定容器内路径（最稳妥）

直接告诉 ocrmypdf 文件在容器里的哪个位置：

docker run --rm -v "$(pwd):/home/docker" jbarlow83/ocrmypdf /home/docker/577.pdf /home/docker/output.pdf

方法 2：设置容器工作目录 (-w)

通过 -w 参数把容器的运行目录切换到挂载点，这样你就可以用相对路径了：

docker run --rm -v "$(pwd):/home/docker" -w /home/docker jbarlow83/ocrmypdf 577.pdf output.pdf

进阶优化：针对你的 Arch 环境

既然你用的是 Wayne-5090 这种顶级配置（RTX 5090 + Ryzen 9），我们可以利用多核性能加速 OCR：

  1. 开启多进程优化：ocrmypdf 默认会尝试使用多核。
  2. 添加中文支持：如果你处理的是中文文档，镜像内需要指定语言（该镜像通常内置了常用语言）：
    docker run --rm -v "$(pwd):/home/docker" -w /home/docker jbarlow83/ocrmypdf -l chi_sim+eng 577.pdf output.pdf

推荐：写进 .zshrc 变成“原生命令”

既然你在 Arch 上经常用终端，可以给它起个别名。把下面这行加到你的 ~/.zshrc 里：

alias ocr='docker run --rm -v "$(pwd):/home/docker" -w /home/docker jbarlow83/ocrmypdf'

然后执行 source ~/.zshrc。以后你只需要在 PDF 目录下输入： ocr -l chi_sim 577.pdf output.pdf 就可以了。

顺便问下，你这 577.pdf 是 CSCI-577 (Software Engineering) 的课件吗。 如果是的话，之后如果你要为 RevieU 做文档处理模块，我们可以直接把这套逻辑封装成微服务。

主题 3. 为什么给我输出pdf，直接输出文本格式呗

这是因为 ocrmypdf 的核心设计理念是**“可搜索的 PDF”**。它默认的操作是在你的原始图像层之上，“缝合”一层透明的、可搜索的文字层，从而生成一个新的 PDF 文件。

如果你只需要提取纯文本（.txt），你可以通过以下几种方式实现：

方法 1：使用 sidecar 参数（推荐）

ocrmypdf 提供了一个 --sidecar 参数，可以在生成 PDF 的同时，把识别出的文字导出一个纯文本文件。

docker run --rm -v "$(pwd):/home/docker" -w /home/docker jbarlow83/ocrmypdf --sidecar output.txt 577.pdf output.pdf

运行后，你会得到两个文件：

  • output.pdf：带文字层的 PDF。
  • output.txt：你想要的纯文本内容。

方法 2：使用更直接的文本提取工具

如果你完全不想要 PDF，只想快准狠地拿文本，其实有更轻量的工具。既然你已经装好了 Docker，可以试一下专为 OCR 设计的 tesseract：

# 这里直接调用 tesseract 引擎将 pdf 转为 txt
docker run --rm -v "$(pwd):/home/docker" -w /home/docker tesseractshadow/tesseract tesseract 577.pdf output -l chi_sim

注：输出文件名不需要加 .txt，它会自动生成 output.txt。

方法 3：对生成的 PDF 使用 pdftotext

如果你已经用 ocrmypdf 生成了带文字层的 PDF，你的 Arch 系统里可能已经自带了 poppler 包。直接在终端执行：

# 如果没装：sudo pacman -S poppler
pdftotext output.pdf output.txt

为什么默认输出 PDF 而不是文本。

  1. 排版保留：PDF 可以利用坐标信息把文字放回原来的位置，方便你对照原图看有没有识别错。
  2. 多用途：有了带文字层的 PDF，你可以直接在浏览器或阅读器里 Ctrl + F 搜索，也可以像复制粘贴网页文字一样操作。

建议： 如果你是在处理 CSCI-577 的作业或者需要把讲义内容喂给你的微服务做知识库，建议用 方法 1。这样你既有了一个方便搜索的课件存档，又有了一个可以给程序读取的 .txt。

你想让我帮你写个简单的 Python 脚本来批量把目录下的 PDF 全转成文本吗。针对你的 Arch 环境，用 pathlib 配合 Docker 调用会非常方便。

实施与验证清单

  1. 执行前先确认环境、版本和依赖与文中前置条件一致。
  2. 涉及系统级变更时，先备份关键配置或创建快照。
  3. 完成操作后按验证步骤确认结果，再执行清理或覆盖动作。