Umi-OCR雙層PDF轉(zhuǎn)換終極指南把掃描件變成可搜索文檔的完整教程【免費下載鏈接】Umi-OCROCR software, free and offline. 開源、免費的離線OCR軟件。支持截屏/批量導(dǎo)入圖片PDF文檔識別排除水印/頁眉頁腳掃描/生成二維碼。內(nèi)置多國語言庫。項目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR拿到一份只有圖片、沒有文字的掃描版PDF復(fù)制不了、搜索不到、批注無門工作效率瞬間被卡死。開源免費的離線OCR軟件 Umi-OCR 用一張雙層PDF給出了漂亮的解法底層保留原始掃描圖像頂層疊加一層可搜索的透明文本讓既像原圖、又能檢索不再是奢望。這篇指南將從真實痛點切入先講透它背后的技術(shù)原理再帶你一步步親手完成轉(zhuǎn)換并附上踩坑排查與進階玩法一文吃透這項功能。一、三個真實場景掃描版PDF到底有多難用先別急著打開軟件我們看看幾個每天都在發(fā)生的場景深夜改合同的打工人客戶發(fā)來一份100多頁的蓋章掃描合同你要引用其中第37頁的第2條條款卻發(fā)現(xiàn)全文搜不了關(guān)鍵詞只能一頁頁翻、一個字一個字敲進文檔。凌晨一點眼睛已花。寫論文的研究生導(dǎo)師甩來20本掃描版參考文獻你想用 CtrlF 定位某個核心概念在哪本書的第幾頁結(jié)果搜索框輸入后一片空白——因為這些 PDF 里壓根沒有文字。整理檔案的行政人員數(shù)千頁歷史檔案需要數(shù)字化歸檔。既要原樣保留公章、簽名、手寫批注這些原始證據(jù)又要讓人能按人名、日期快速檢索。傳統(tǒng)方案總得二選一。它們的共同病根是掃描版PDF的本質(zhì)是圖片套殼。掃描件經(jīng)掃描儀/手機拍攝后每一頁就是一張大圖文檔內(nèi)部根本沒有文本層。所以復(fù)制、搜索、提取、批注這些對普通 PDF 理所當(dāng)然的操作對它全部失靈。而 Umi-OCR 的雙層PDF功能正是瞄準這個痛點而來——讓掃描件既能看又能搜。二、破局思路先搞懂雙層這張數(shù)字三明治把一份雙層PDF想象成一塊數(shù)字三明治就很好理解了底層是面包原始掃描圖像原汁原味保留蓋章、簽名、圖表和排版中間是醬料每個文字塊的坐標(biāo)定位信息負責(zé)把頂層和底層對齊貼合頂層是肉片一層肉眼不可見的透明文本供搜索引擎和復(fù)制功能讀取。人眼看到的是底層面包電腦讀到的是頂層肉片二者通過坐標(biāo)嚴絲合縫地重疊——這就是雙層的含義。把市面上常見的幾種處理方案擺在一起對比差距一目了然處理方案可復(fù)制文字可搜索定位保留原始版式可編輯性轉(zhuǎn)純文本 txt??? 排版全丟一般原始掃描PDF純圖片???無單層純文本PDF??? 只剩白紙黑字一般Umi-OCR 雙層PDF??? 原圖文本雙保留高一句話概括它的核心價值Umi-OCR 在保留原始圖像的前提下給掃描件補上了一層可以搜索的文本。再加上它離線運行、完全免費、支持批量處理個人和企業(yè)都能零成本用上。三、原理拆解三個提問講透它是怎么做到的知其然更要知其所以然。我們把怎么做出來的拆成三個遞進的問題逐個擊破。3.1 第一問原始頁面靠什么原封不動保留Umi-OCR 的 PDF 解析與生成依賴PyMuPDF庫v2.1.5 起 Windows 版已升級到 1.24.11。處理流程的第一步是把 PDF 每一頁渲染成一張高清位圖import fitz # PyMuPDF負責(zé) PDF 的讀取、渲染與合成 src fitz.open(掃描件.pdf) for page in src: # 把原始頁面渲染成高清圖像這就是底層面包 pix page.get_pixmap(dpi200) image_bytes pix.tobytes(png)注意這里并沒有識別任何東西——它只是把頁面轉(zhuǎn)成圖保證后續(xù)無論做什么處理原始視覺內(nèi)容都能被完整帶回新文檔。3.2 第二問文字是怎么被認出來的識別環(huán)節(jié)交給PaddleOCR / RapidOCR離線識別引擎。它會返回每個文字塊的內(nèi)容以及精確的包圍盒坐標(biāo)左上角 x、y寬高旋轉(zhuǎn)角等# OCR 引擎返回一個文字塊 文本 坐標(biāo)框 raw_blocks ocr_engine.recognize(image_bytes) # 例如[{text: 合同編號A-2024-001, # box: [[120, 340], [480, 340], [480, 372], [120, 372]]}, ...]但引擎的原始輸出往往是按圖像掃描順序給出的零散碎片直接寫入會亂序。這時候就要請出 Umi-OCR 自研的文本塊后處理模塊TBPU——也就是界面上的排版解析方案多欄-按自然段換行自動識別雙欄/多欄布局按閱讀順序重排單欄-保留縮進適合代碼截圖保留行首縮進與空格不做處理保留 OCR 引擎原始輸出。TBPU 負責(zé)把文字塊按正確閱讀順序排序、按段落合并再配合忽略區(qū)域把頁眉、頁腳、水印等噪聲文本塊直接剔除最后交給合成環(huán)節(jié)。3.3 第三問認出的文字怎么貼回去還不擋視線這是最精妙的一步。合成時Umi-OCR 會新建一個與原頁同尺寸的頁面先鋪上底層的原始圖像再在對應(yīng)坐標(biāo)處寫入文本——關(guān)鍵是把文字顏色設(shè)為全透明Alpha0# 雙層PDF生成核心流程偽代碼演示關(guān)鍵思路 import fitz def build_layered_pdf(src_path, out_path, ocr_engine, tbpu_parser): src fitz.open(src_path) out fitz.open() for page in src: # ① 渲染原始頁面為圖像 image_bytes page.get_pixmap(dpi200).tobytes(png) # ② OCR 識別得到文字塊坐標(biāo) raw ocr_engine.recognize(image_bytes) # ③ TBPU 排版解析排序、合并段落、剔除忽略區(qū)域 blocks tbpu_parser.process(raw) # ④ 新建同尺寸頁面先貼原圖再寫透明文本 new_page out.new_page(widthpage.rect.width, heightpage.rect.height) new_page.insert_image(new_page.rect, streamimage_bytes) for b in blocks: new_page.insert_text( fitz.Point(b.x, b.y), b.text, fontsizeb.font_size, color(0, 0, 0, 0)) # 透明文本可搜索、可復(fù)制但不遮擋畫面 out.save(out_path)整條流水線的協(xié)作關(guān)系可以簡化為掃描PDF ──? PyMuPDF 渲染頁面為圖像 │ ▼ PaddleOCR / RapidOCR 離線識別 ──? 文字塊 坐標(biāo) │ ▼ TBPU 排版解析排序 / 合并 / 忽略區(qū)域去噪 │ ▼ PyMuPDF 合成新PDF底層原圖 頂層透明文本──? 雙層PDF這里還有個容易被忽略的聰明細節(jié)如果原 PDF 本身是電子版導(dǎo)出自帶文本層Umi-OCR 支持僅拷貝原有文本模式直接搬運文字、跳過 OCR速度會快得多。這也是內(nèi)容提取模式doc.extractionMode存在的意義——它提供混合OCR/原文本、整頁強制OCR、僅OCR圖片、僅拷貝原有文本四種策略按需選用即可。四、版本演進一個功能從0到1的六次迭代翻看項目的 CHANGE_LOG.md雙層PDF能力并非一蹴而就而是一步步打磨出來的版本時間關(guān)鍵動作v2.1.02024.02首次加入批量文檔識別支持 pdf/epub/mobi雙層概念正式落地v2.1.12024.03優(yōu)化沒有新文本寫入時的雙層PDF處理邏輯并改進原文本行提取v2.1.22024.06新增單層純文本PDF輸出修復(fù)文檔內(nèi)容提取與寫入時的坐標(biāo)旋轉(zhuǎn)、比例適配問題v2.1.32024.07新增 HTTP 文檔識別接口優(yōu)化單欄-單行排版方案為大間隔文本塊自動補空格v2.1.42024.08引擎默認內(nèi)存占用不超過系統(tǒng)總內(nèi)存一半批量任務(wù)更穩(wěn)v2.1.52025.03修復(fù)提取 PDF 自帶文本時未考慮頁面旋轉(zhuǎn)的問題修復(fù)單層PDF丟失原文本PyMuPDF 升級 1.24.11可以看到從能用到好用坐標(biāo)對齊、旋轉(zhuǎn)補償、內(nèi)存控制這些細節(jié)正是拉開體驗差距的地方。五、上手實操五步生成你的第一個雙層PDF理論鋪墊完畢接下來動手。以倉庫中提供的Umi-OCR_Rapid_v2.1.5.7z為例解壓即用、無需安裝。第1步解壓啟動順手做好全局設(shè)置解壓后雙擊Umi-OCR.exe啟動。進入全局設(shè)置標(biāo)簽頁確認三項識別語言如簡體中文、界面語言、OCR引擎插件如 PaddleOCR-json 或 RapidOCR-json。如果你的電腦內(nèi)存有限可在這里下調(diào)引擎內(nèi)存限制避免批量任務(wù)時卡頓。第2步打開批量/文檔識別頁拖入文件切換到批量OCR文檔識別標(biāo)簽頁把 PDF 直接拖入任務(wù)列表或點擊選擇圖片/添加文件按鈕選擇。除了 PDF還支持xps、epub、mobi、fb2、cbz等格式可以多選批量導(dǎo)入一次性丟幾十份掃描件也沒問題。第3步右側(cè)面板定制轉(zhuǎn)換策略在右側(cè)設(shè)置面板中按需配置保存格式選擇雙層PDF另有單層純文本PDF、txt、csv 等選項識別語言按文檔內(nèi)容選擇如中文英文混合識別排版解析方案普通文檔選多欄-按自然段換行代碼截圖選單欄-保留縮進忽略區(qū)域框選頁眉、頁腳、水印區(qū)域并指定生效的頁數(shù)范圍從源頭剔除干擾OCR頁數(shù)范圍只想處理某幾頁時用pageRangeStart / pageRangeEnd精確限定。第4步點擊開始任務(wù)盯著進度條走點擊開始任務(wù)按鈕即可看到任務(wù)列表逐項刷新、進度條穩(wěn)步推進。批量任務(wù)支持暫停/恢復(fù)v2.1.2 起甚至可以設(shè)置完成后自動關(guān)機/休眠下班前掛上任務(wù)明早直接收結(jié)果。第5步多維度驗證轉(zhuǎn)換結(jié)果拿到輸出的雙層PDF后別急著收工做三件事確認質(zhì)量可搜索性CtrlF 搜索一個文檔里的專有名詞能命中即說明文本層生效版式保真度對比原掃描件與新文檔確認蓋章、圖表、分欄位置沒走樣文字準確性隨機抽 5~10 處文字人工核對重點看數(shù)字、英文、標(biāo)點。三步都通過這份雙層PDF才算真正合格。六、高頻踩坑問答出錯先別慌對癥下藥實踐中最常見的幾個問題直接對照處理Q1轉(zhuǎn)換出來的文字和圖像錯位了多半是舊版本遺留的坐標(biāo)旋轉(zhuǎn)/比例適配 Bug。先確認版本號低于 v2.1.2 請更新若仍錯位試試切換內(nèi)容提取模式或在設(shè)置中關(guān)閉方向糾正ocr.cls重新識別。Q2生成的文件體積太大雙層PDF體積 底層圖像 文本層。體積大頭在圖像可在引擎參數(shù)中調(diào)低限制圖像邊長如從 4320 降到 2880或?qū)ΤL邊壓縮。若頁面本身自帶文本層直接改用僅拷貝原有文本模式能大幅瘦身。Q3識別準確率不理想三個方向排查一是確認識別語言是否選對中英混排務(wù)必選中文英文二是用圖像工具先做去噪、糾偏預(yù)處理再導(dǎo)入三是檢查忽略區(qū)域是否誤框住了正文文字塊。Q4任務(wù)卡住或轉(zhuǎn)換失敗先確認 PDF 沒有加密有密碼的話需在設(shè)置中填寫再觀察任務(wù)日志若提示資源不足可關(guān)閉占用內(nèi)存的其他程序或在全局設(shè)置中降低引擎線程數(shù)。另外遇到寬高為0的異常圖片這類歷史 Bug升級到 v2.1.5 即可規(guī)避。Q5某幾頁的頁眉頁腳總被識別進正文把忽略區(qū)域畫得大一些、完全包裹水印所有可能出現(xiàn)的位置并正確設(shè)置生效頁數(shù)范圍。注意規(guī)則是整個文本塊被包含才忽略區(qū)域要框住完整文字塊。七、進階玩法用HTTP接口把轉(zhuǎn)換能力接進自己的工作流GUI 操作之外Umi-OCR 還提供了完整的HTTP 文檔識別接口默認端口 1224詳見 docs/http/api_doc.md可以把它嵌入自動化腳本。標(biāo)準流程是五步查詢參數(shù) → 上傳文件 → 輪詢狀態(tài) → 生成并下載目標(biāo)文件 → 清理任務(wù)。import json import time import requests BASE http://127.0.0.1:1224 # 1. 上傳掃描PDF指定混合提取 多欄自然段策略 opts {doc.extractionMode: mixed, tbpu.parser: multi_para} r requests.post( f{BASE}/api/doc/upload, files{file: open(掃描件.pdf, rb)}, data{json: json.dumps(opts, ensure_asciiFalse)}, ).json() task_id r[data] # 2. 輪詢?nèi)蝿?wù)狀態(tài)直到結(jié)束 while True: r requests.post(f{BASE}/api/doc/result, json{id: task_id}).json() if r.get(is_done): break time.sleep(1) # 3. 生成雙層PDF并下載 r requests.post(f{BASE}/api/doc/download, json{id: task_id, file_types: [pdfLayered]}).json() open(雙層結(jié)果.pdf, wb).write(requests.get(r[data]).content) # 4. 清理任務(wù)釋放服務(wù)器資源 requests.get(f{BASE}/api/doc/clear/{task_id})有了這組接口你就可以寫一個定時掃描文件夾 → 自動轉(zhuǎn)雙層PDF → 歸檔的批處理腳本把幾千頁檔案的數(shù)字化變成一條無人值守的流水線。完整示例見 docs/http/api_doc_demo.py。八、場景拓展四個行業(yè)把雙層玩出了花教育領(lǐng)域把掃描版教材、講義轉(zhuǎn)成雙層PDF學(xué)生可按關(guān)鍵詞快速定位知識點教師可在保留原版圖表的基礎(chǔ)上添加批注原內(nèi)容不被破壞。法律領(lǐng)域合同、判決書、歷史卷宗數(shù)字化。原始簽章與格式完整保留同時支持全文檢索關(guān)鍵條款與法律條文多版本合同還能逐條比對。醫(yī)療領(lǐng)域病歷、檢查報告歸檔。手寫簽名與影像圖表原樣留存患者姓名、診斷結(jié)果可結(jié)構(gòu)化檢索滿足醫(yī)療檔案長期保存的合規(guī)要求。企業(yè)與檔案行業(yè)海量紙質(zhì)單據(jù)、報表批量掃描入庫配合 HTTP 接口自動化構(gòu)建起真正可搜索的數(shù)字檔案庫徹底告別翻箱倒柜。九、總結(jié)與展望回顧全文Umi-OCR 的雙層PDF功能用一張數(shù)字三明治解決了掃描件的世紀難題PyMuPDF 負責(zé)圖像與PDF的解析合成PaddleOCR/RapidOCR 負責(zé)離線識別TBPU 排版解析負責(zé)文字排序與去噪三者各司其職最終產(chǎn)出看得見原圖、搜得到文字的雙層PDF。而這項能力的演進也遠未停止。從項目公開的開發(fā)計劃看表格識別輸出 Excel、數(shù)學(xué)公式識別、多語言混合排版優(yōu)化等方向都在醞釀中。不妨現(xiàn)在就下載 Umi-OCR用倉庫里的Umi-OCR_Rapid_v2.1.5.7z跑通第一份雙層PDF——從能復(fù)制到能搜索你與高效文檔管理之間只差這一次點擊。【免費下載鏈接】Umi-OCROCR software, free and offline. 開源、免費的離線OCR軟件。支持截屏/批量導(dǎo)入圖片PDF文檔識別排除水印/頁眉頁腳掃描/生成二維碼。內(nèi)置多國語言庫。項目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考