扫描PDF，先让文字能搜索

扫描PDF看得到字，却搜不到内容时，可以用OCRmyPDF添加可搜索文字层。之后能否正确查找、复制，还要对照原页核对识别结果。

01｜先确认确实需要OCR

先尝试选中文字、搜索一个原页词语。已有正常文字层的文件不必重复处理；混合文档或旧OCR结果要按官方对应选项处理，不一律强制重做。

准备OCRmyPDF及其依赖，确认Tesseract中装有简体中文chi_sim和英文eng语言包。Windows、macOS、Linux的安装方法不同，按官方说明核对当前环境；不要只装一个Python包就认为全部依赖齐了。

02｜先处理一份副本

在工具可用、输入文件已准备好的终端，执行完整一行：

ocrmypdf -l chi_sim+eng input.pdf out.pdf

input.pdf是输入，out.pdf用尚不存在的新文件名。语言要和文档相符；繁体、其他语言需换用已安装的对应语言包。保留原件，先用少量页面或小文件确认流程。

03｜搜得到，还要复制看一遍

搜索人名、日期和关键编号，再复制一段到纯文本中，检查漏字、数字及阅读顺序。能搜索不代表表格已还原为可编辑单元格，也不保证全部识别准确。

纠偏、清理背景等图像处理可能改变视觉内容，需要时才加，并逐页比较。敏感文件放在自己有权使用的本地环境处理。

资料来源

使用手册
https://ocrmypdf.readthedocs.io/en/latest/cookbook.html

安装与依赖
https://ocrmypdf.readthedocs.io/en/latest/installation.html

关注硅基新知社，了解更多 AI 资讯与实用技巧。