OCRmyPDF让你能搜索扫描版PDF文档

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 1.9k 阅读时长 ≈ 2 分钟
OCRmyPDF 为扫描的 PDF 文件添加 OCR 文本层，以便搜索或复制粘贴它们。

什么是 OCRmyPDF ？

PDF 是存储和交换扫描文档的最佳格式。不幸的是，PDF 可能很难修改。OCRmyPDF 是一个 Python 应用程序和库，可以轻松地将图像处理和 OCR（可识别、可搜索的文本）应用于现有 PDF，通过向扫描的 PDF 文件添加 OCR 文本层，使你可以搜索或复制粘贴它们。

镜像下载

在群晖上以 Docker 方式安装。

在注册表中搜索 ocrmypdf ，选择第一个 jbarlow83/ocrmypdf，版本选择 latest。

本文写作时， latest 版本对应为 v15.4.2；

你也可以使用命令行，用 SSH 客户端登录到群晖后，依次执行下面的命令

1
2
# 拉取镜像
docker pull jbarlow83/ocrmypdf:latest

如果拉不动，可以试试 docker 代理网站：https://dockerproxy.com/，但是会多几个步骤

1
2
3
4
5
6
7
8
# 如果拉不动的话加个代理
docker pull dockerproxy.com/jbarlow83/ocrmypdf:latest

# 重命名镜像（如果是通过代理下载的）
docker tag dockerproxy.com/jbarlow83/ocrmypdf:latest jbarlow83/ocrmypdf:latest

# 删除代理镜像（如果是通过代理下载的）
docker rmi dockerproxy.com/jbarlow83/ocrmypdf:latest

下载完成后，可以在 映像 中找到

准备工作

【说明】：

  1. 与典型的 Docker 容器不同，OCRmyPDF Docker 容器是短暂的，它为一个 OCR 作业运行并终止，就像命令行程序一样。因此，我们通常使用 --rm 参数在容器退出时将其删除。
  2. 默认情况下，Docker 镜像包括英语、德语、简体中文、法语、葡萄牙语和西班牙语，所以中文用户不需要添加语言包。

在 docker 文件夹中，创建一个新文件夹 ocrmypdf

1
2
3
4
5
# 新建文件夹 ocrmypdf 
mkdir -p /volume1/docker/ocrmypdf

# 进入 ocrmypdf 目录
cd /volume1/docker/ocrmypdf

准备一个文档用于测试，这是网页上打印生成的 pdf 文件，直接搜索 sam 是没有 没有匹配项

将这个文档放入 ocrmypdf，命名为 input.pdf

测试验证

为了方便起见，创建一个 shell 别名来隐藏 Docker 命令。通过使用 alias 命令，为长或复杂的命令创建简短且易记的别名，以便更快地执行常用操作或减少输入的工作量

1
2
3
4
5
# 创建别名
alias docker_ocrmypdf='docker run --rm  -i --user "$(id -u):$(id -g)" --workdir /data -v "$PWD:/data" jbarlow83/ocrmypdf:latest'

# 运行 OCR
docker_ocrmypdf /data/input.pdf /data/output.pdf

其中：

  • -- rm：表示在容器退出时，会将其删除；
  • --user "$(id -u):$(id -g)"：用于指定在容器内运行的用户和组，确保容器内的进程以与宿主机相同的用户权限运行，以防止权限问题；
  • --workdir /data：指定容器内的工作目录；
  • -v "$PWD:/data"：将 /volume1/docker/ocrmypdf 映射到了容器内的 /data ；

运行完成后，会在 ocrmypdf 中看到多出了一个文件 output.pdf

下载到本地后，用 pdf 阅读器打开后，继续搜索 sam 显示有 2 处匹配

第二处

OCRmyPDF 不仅提供了基本的 OCR 功能，还包括一些高级功能，如自动旋转、自动裁剪、去除文本阴影、增强图像质量等。它使用了一些优秀的开源工具和库，如 Tesseract OCR 引擎、Ghostscript 和 ImageMagick，以提供强大的 OCR和 PDF处理功能，当然，OCRmyPDF 无法打开使用数字证书加密的文档。

参考文档

ocrmypdf/OCRmyPDF: OCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched
地址：https://github.com/ocrmypdf/OCRmyPDF

OCRmyPDF documentation
地址：https://ocrmypdf.readthedocs.io

jbarlow83/ocrmypdf - Docker Image | Docker Hub
地址：https://hub.docker.com/r/jbarlow83/ocrmypdf