扫描PDF怎么变成可检索文档？OCRmyPDF文字层生成与中文识别检查指南

入库前，先判断PDF里有没有文字

中文产品手册看起来清晰，却可能整页都是图片。知识库如果依赖PDF文字提取，直接导入这类文件可能得不到有效内容。OCRmyPDF可以调用OCR引擎识别页面，在PDF中加入可搜索、可复制的文字层，但识别结果仍需检查。

• 扫描图片PDF：页面主要由扫描图像组成，通常无法选中其中的文字，需要OCR。
• 已有文字层PDF：可以选中、复制文字。先检查复制结果是否正确，避免重复处理。
• 混合PDF：部分页面有文字，部分页面是扫描图片；也可能同一页同时存在文字对象和图片中的文字。

用阅读器搜索已知词语，再复制一段文字到纯文本编辑器，交叉判断。仅仅能选中文字，不代表文字层准确；旧OCR结果也可能包含错字或异常阅读顺序。

按系统核对安装和语言数据

OCRmyPDF依赖Tesseract等组件，还需要相应的语言数据。只安装OCRmyPDF的Python包，并不意味着系统依赖和中文识别数据已经齐全。具体安装方式应按操作系统及所用发行版的文档核对。

• Linux：查看发行版是否提供OCRmyPDF软件包，同时核对Tesseract、所需系统依赖及中文语言包。
• macOS：可按Homebrew等安装方式的说明配置OCRmyPDF，并另行确认Tesseract中文语言数据是否可用。
• Windows：可通过WSL中的Linux环境安装；命令需在对应环境执行，并确认输入、输出路径在该环境中可访问。

安装后，用ocrmypdf --version检查程序是否可运行，用tesseract --list-langs查看可用语言。简体中文通常使用chi_sim，繁体中文使用chi_tra，英文使用eng。缺少目标语言时，先补齐数据再处理文件。

保留原件，先测试代表性页面

把原PDF保留为只读备份，另设输出文件名。选取包含中文正文、英文型号、表格和数字的几页作为测试，避免一开始就处理整本手册。

例如，简体中文与英文混排的扫描手册，可在输入文件所在目录执行：ocrmypdf -l chi_sim+eng --pages 1-3 --rotate-pages --deskew input.pdf output-test.pdf

其中，-l chi_sim+eng指定简体中文和英文识别；--pages 1-3将OCR处理范围限定为前三页，其余页面仍会保留在输出PDF中。--rotate-pages用于纠正页面方向，--deskew用于校正轻微倾斜，两者处理的问题不同。繁体中文材料应按实际内容选择chi_tra，避免无目的地叠加语言。

方向和倾斜修正有助于识别，但无法保证修复模糊、阴影、折痕或严重变形。输出后既要检查文字，也要确认页面方向和可读性。测试通过后，移除--pages参数，并使用新的完整输出文件名处理全文。

混合PDF要明确哪些页面会被跳过

OCRmyPDF默认遇到已有文字的页面可能停止并提示。若希望保留这些页面、只识别没有文字的页面，可使用--skip-text。它按页面跳过：同一页只要已有文字，其中图片里的文字也可能不会得到OCR。

因此，带有电子页眉和扫描正文的页面需要单独检查。已有OCR层但识别质量差的文件，可评估--redo-ocr；--force-ocr会栅格化页面内容，可能影响原有矢量文字和图形，不宜作为常规默认选项。涉及重新处理时，应使用副本并比较输出。

用搜索、复制和数字抽查验证结果

1. 搜索：搜索手册中的产品型号、章节名称或关键术语，确认能定位到相应页面。
2. 复制：复制几段正文到纯文本编辑器，检查汉字、标点、英文型号，以及多栏页面的阅读顺序。
3. 核对数字：对照扫描图像检查金额、日期、合同编号，特别留意0与O、1与l、小数点和负号。
4. 试导入：将处理后的少量内容导入知识库，检查提取文本和检索结果，再决定是否批量入库。

产品手册应重点抽查型号与参数；合同扫描件应逐项核对需要引用的金额、日期和编号。OCR生成文字层不等于准确还原表格结构：单元格对应关系、合并单元格和阅读顺序仍可能丢失。需要结构化表格时，应另外做表格提取和校验，并保留原始扫描件作为核对依据。