使用 OCRmyPDF 将扫描 PDF 转为可搜索文档和文本文件

OCRmyPDF 是一个功能强大的开源工具，通过光学字符识别（OCR）技术，将扫描的 PDF 文件转换为带有可搜索文本层的文档，同时还能提取纯文本文件（TXT）。它既是一个脚本化的命令行程序，也提供了 Python API，适用于从简单文件处理到复杂批量任务的各种场景。本文将带你从安装到使用，全面掌握 OCRmyPDF 的功能。

什么是 OCRmyPDF？

OCRmyPDF 基于 Tesseract OCR 引擎，主要功能是为扫描的 PDF 添加可搜索的文本层。它支持多语言、页面调整、元数据修改等功能，并能通过 --sidecar 选项生成 TXT 文件。无论是命令行还是 Python 调用，它都是文档处理的高效选择。

第一步：安装 OCRmyPDF 和语言包

安装环境

OCRmyPDF 支持 Linux、macOS 和 Windows（推荐通过 WSL）。以下是安装步骤：

Linux

1. 安装 Tesseract 和语言包：

   sudo apt-get update
   sudo