在咱們?nèi)粘５墓ぷ骱蛯W(xué)習(xí)里，總會(huì)遇到各種各樣的 PDF 文件，像合同、資料、文件之類的，數(shù)都數(shù)不過來。雖說 PDF 文件挺常用的，可一旦涉及到從里頭提取文字，那可就讓人頭疼了。很多時(shí)候，復(fù)制出來的文字不是格式亂了，就是出現(xiàn)一堆亂碼，根本沒法直接用，得花不少時(shí)間去調(diào)整和整理。
但是！今天要給大家介紹一個(gè)超厲害的開源工具 ——OCRmyPDF，有了它，你就能輕松搞定 PDF 文件里的文字提取問題，絕對(duì)是讓你對(duì) PDF 文件刮目相看的神器！
軟件介紹 OCRmyPDF 是一個(gè)開源的 Python 腳本工具，旨在通過OCR（光學(xué)字符識(shí)別）技術(shù)，將掃描的PDF文件中的圖像內(nèi)容轉(zhuǎn)化為可搜索、可復(fù)制粘貼的文本層。簡(jiǎn)單來說，它能將PDF文件中的文字提取出來，同時(shí)保留原有的圖像分辨率，確保用戶能夠輕松復(fù)制和粘貼內(nèi)容。這個(gè)工具不僅支持多種語言，還能夠處理數(shù)千頁的文件，堪稱PDF處理領(lǐng)域的神器！
主要功能
OCR文本提取與保留圖像分辨率 OCRmyPDF 的核心功能是將PDF文件中的OCR文本提取出來，并將其準(zhǔn)確地放置在圖像下方，這樣用戶就可以輕松復(fù)制和粘貼文字內(nèi)容。同時(shí)，它能夠保留原始圖像的分辨率，避免因壓縮或調(diào)整而丟失質(zhì)量。多語言支持 作為Tesseract OCR引擎的親兒子，OCRmyPDF 支持超過100種語言，無論是中文、英文還是其他語言，都能輕松識(shí)別并提取。優(yōu)化PDF圖像 通過OCRmyPDF，用戶可以優(yōu)化PDF圖像，通常生成的文件比輸入文件小，節(jié)省存儲(chǔ)空間。預(yù)處理功能 OCRmyPDF 提供了預(yù)處理功能，用戶可以根據(jù)需求對(duì)圖像進(jìn)行校正或清理，然后再進(jìn)行OCR識(shí)別，確保后續(xù)操作的準(zhǔn)確性。無損插入OCR信息 該工具能夠盡可能以無損方式插入OCR信息，不會(huì)干擾其他內(nèi)容，確保文件的完整性和可編輯性。多核支持 OCRmyPDF 在所有可用的CPU核心上分配工作，能夠高效處理大量文件，提升處理速度。開源成就 目前已經(jīng)獲得16.5K Star
安裝指南 安裝OCRmyPDF非常簡(jiǎn)單，它支持多種操作系統(tǒng)：
Linux ：通過包管理器安裝，例如 apt install ocrmypdf。macOS ：通過 Homebrew 或其他工具安裝。FreeBSD ：通過 pkg install py-ocrmypdf 安裝。安裝完成后，用戶可以通過命令行運(yùn)行工具，根據(jù)需求添加OCR層、轉(zhuǎn)換文件格式或處理其他操作。
功能展示 生成 PDF/A 文件
ocrmypdf input.pdf output.pdf說明 ：添加 OCR 層，生成 PDF/A 格式文件，適合長(zhǎng)期保存。
生成普通 PDF 文件
ocrmypdf --output-type pdf input.pdf output.pdf說明 ：添加 OCR 層，生成普通 PDF 文件，適合日常使用。
生成 PDF 和文本文件
ocrmypdf --sidecar output.txt input.pdf output.pdf說明 ：生成 PDF 文件的同時(shí)，提取文字到單獨(dú)的文本文件，方便后續(xù)處理。
OCRmyPDF 是一個(gè)功能強(qiáng)大且易于使用的工具，能夠幫助用戶高效處理PDF文件。無論是提取OCR文本、優(yōu)化圖像還是處理多語言文件，它都能提供卓越的表現(xiàn)。如果你正在尋找一款能夠提升PDF處理效率的工具，OCRmyPDF絕對(duì)值得一試！
開源地址: https://github.com/ocrmypdf/OCRmyPDF/
閱讀原文：原文鏈接
400 186 1886
