簡(jiǎn)介這是一款面向辦公與檔案管理人員的批量雙層PDF生成工具可自動(dòng)識(shí)別文件夾內(nèi)多個(gè)PDF文件并完成OCR轉(zhuǎn)換。軟件基于Paddle識(shí)別模型對(duì)中文、手寫(xiě)體均有較好的識(shí)別效果適合需要批量構(gòu)建可檢索PDF索引庫(kù)的場(chǎng)景。壓縮包共1075個(gè)文件大小約129.99MB主要包含exe主程序、dll與pyd動(dòng)態(tài)庫(kù)、pdmodel/pdiparams模型文件、py與tcl腳本等安裝或配置后可獨(dú)立運(yùn)行。已有237人學(xué)習(xí)下載。資源內(nèi)含完整運(yùn)行環(huán)境與模型依賴(lài)開(kāi)箱即用可幫助用戶(hù)將掃描版或圖像型PDF快速轉(zhuǎn)為保留原始版面且支持文字檢索的雙層PDF文件有效提升資料數(shù)字化管理效率。1. 項(xiàng)目概述批量為啥要轉(zhuǎn)雙層PDF先說(shuō)說(shuō)我為什么要做這個(gè)工具。手頭有大量紙質(zhì)合同、檔案、論文掃描件都是純圖片PDF。這種文件最大的問(wèn)題是文字不能搜索、不能復(fù)制需要引用某句話(huà)只能手動(dòng)重新敲一遍。更要命的是幾百頁(yè)的掃描件要?dú)w檔到知識(shí)庫(kù)沒(méi)法全文檢索等于把一堆資料變成了死檔。如果只是偶爾一兩份用Adobe Acrobat或者ABBYY手動(dòng)跑一下還好說(shuō)。但一旦上了量幾十份、幾百份堆在一起時(shí)手動(dòng)操作就是災(zāi)難鼠標(biāo)點(diǎn)來(lái)點(diǎn)去能點(diǎn)到懷疑人生。我花了一個(gè)周末寫(xiě)了個(gè)批量轉(zhuǎn)雙層PDF工具v1.0把整條流程串成一行命令丟進(jìn)去等結(jié)果就行。所謂雙層PDF就是用OCR技術(shù)把掃描件識(shí)別出來(lái)的文字層疊加在原圖像上。你可以把它形象地理解為圖片打底、文字隱形覆蓋視覺(jué)上看到的還是原來(lái)的掃描圖像但鼠標(biāo)一劃就能選中文字CtrlF也能直接搜索復(fù)制出來(lái)的是干凈可編輯的文本。底層是圖頂層是不可見(jiàn)的文字兩層合一文件體積相比原始掃描件不會(huì)膨脹太多便攜又不失真。這個(gè)工具解決的就是掃描件不可搜索、不可復(fù)制的痛點(diǎn)核心能力是把批量PDF/圖片自動(dòng)完成OCR識(shí)別、文字層嵌入、壓縮輸出。適合檔案數(shù)字化、合同歸檔、論文掃描整理、老書(shū)電子化這些場(chǎng)景。凡是需要長(zhǎng)期留存、頻繁查閱檢索的掃描文檔都值得轉(zhuǎn)一遍。順便說(shuō)一句最近總看到有人在問(wèn)wps批量轉(zhuǎn)圖公式其實(shí)WPS的批量圖片轉(zhuǎn)PDF功能配合宏命令也能做出類(lèi)似效果。這個(gè)我在后面的實(shí)操章節(jié)里會(huì)展開(kāi)講包括怎么用WPS寫(xiě)一個(gè)批量合并圖片的公式再配合我們的工具直接走通全流程。2. 技術(shù)方案選型為什么是OCRmyPDF Tesseract2.1 先聊轉(zhuǎn)雙層PDF的幾種常見(jiàn)路子轉(zhuǎn)雙層PDF的方案市面上不少我簡(jiǎn)單梳理一下大家心里有個(gè)譜。第一種是商業(yè)軟件方案比如ABBYY FineReader、Adobe Acrobat Pro。識(shí)別精準(zhǔn)度確實(shí)高中文版面還原一流但問(wèn)題很現(xiàn)實(shí)貴。一套授權(quán)幾百上千而且命令行批量處理的能力弱想做自動(dòng)化流水線(xiàn)基本沒(méi)門(mén)。第二種是開(kāi)源命令行方案核心是OCRmyPDF和Tesseract的組合。OCRmyPDF專(zhuān)門(mén)干把OCR文字層嵌入PDF這件事Tesseract負(fù)責(zé)真正的文字識(shí)別。兩個(gè)都是開(kāi)源的免費(fèi)支持腳本調(diào)用批量處理起來(lái)非常順手而且識(shí)別精度在參數(shù)調(diào)好之后完全不遜色于商業(yè)軟件。我做的工具v1.0就是基于這條路線(xiàn)。第三種是國(guó)產(chǎn)方案比如PaddleOCR。它的中文識(shí)別能力很強(qiáng)尤其是在復(fù)雜版式下效果優(yōu)于Tesseract。但它在做雙層PDF時(shí)比OCRmyPDF要繞一些需要自己寫(xiě)文字層嵌入邏輯工程量偏大。不過(guò)如果你手頭的掃描件版式極其復(fù)雜、表格特別多PaddleOCR值得考慮作為備用識(shí)別引擎來(lái)切換。綜合來(lái)看對(duì)于批量、免費(fèi)、可自動(dòng)化、中文夠用這四個(gè)需求OCRmyPDF Tesseract是當(dāng)前最穩(wěn)的性?xún)r(jià)比選擇。2.2 工具依賴(lài)的完整清單與版本說(shuō)明我這套工具的實(shí)際運(yùn)行環(huán)境是Windows 10Python 3.9下面這些組件一個(gè)都不能少。對(duì)Linux/macOS用戶(hù)思路完全一致只是安裝命令稍有不同。組件版本作用Python3.9批處理腳本運(yùn)行環(huán)境OCRmyPDF14.x核心工具負(fù)責(zé)OCR和文字層嵌入Tesseract OCR5.x文字識(shí)別引擎Ghostscript9.5xPDF底層處理依賴(lài)OCRmyPDF離不開(kāi)它pdf2image1.16把PDF頁(yè)轉(zhuǎn)成圖片做預(yù)處理用的輔助庫(kù)PyMuPDF1.21PDF元數(shù)據(jù)讀取、分頁(yè)操作上述版本我只寫(xiě)了最低要求往上兼容基本沒(méi)問(wèn)題。特別提醒Tesseract通過(guò)pip沒(méi)法裝它是個(gè)獨(dú)立的原生程序。Windows下推薦用UB-Mannheim的安裝包裝的時(shí)候記得勾選中文語(yǔ)言包c(diǎn)hi_sim否則中文識(shí)別直接擺爛。2.3 文件結(jié)構(gòu)設(shè)計(jì)一個(gè)腳本串起全流程工具v1.0的目錄結(jié)構(gòu)是這樣的batch_ocr_pdf/ ├── input/ # 待處理的PDF/圖片全部丟這里 ├── output/ # 處理完成的雙層PDF輸出目錄 ├── done/ # 處理完的源文件歸檔防止重復(fù)處理 ├── logs/ # 日志目錄記錄每次運(yùn)行詳情 ├── batch_ocr.py # 主腳本 └── config.json # 配置文件參數(shù)都放這為什么要把源文件移到done而不是直接刪掉這是我在處理重要文檔時(shí)養(yǎng)成的習(xí)慣。萬(wàn)一輸出文件有問(wèn)題源文件還能找回重跑。等確認(rèn)結(jié)果沒(méi)問(wèn)題后再手動(dòng)清空done目錄也不遲。幾百份文件批量處理最怕的就是跑了一半掛了源文件又沒(méi)了那種欲哭無(wú)淚的感覺(jué)我經(jīng)歷過(guò)你們就別踩了。3. 核心實(shí)操?gòu)陌惭b到跑通全流程3.1 環(huán)境安裝的完整步驟照著我下面的步驟走半小時(shí)內(nèi)能把環(huán)境全部配好。第一步安裝Python依賴(lài)庫(kù)。打開(kāi)終端執(zhí)行pip install ocrmypdf pdf2image pymupdf pillow第二步安裝Ghostscript。Windows直接去官網(wǎng)下載安裝包裝完后把安裝目錄下的bin路徑加到系統(tǒng)環(huán)境變量PATH里比如默認(rèn)路徑是C:\Program Files\gs\gs9.5x\bin。不配置的話(huà)后面跑起來(lái)會(huì)報(bào)Ghostscript not found。第三步安裝Tesseract。下載UB-Mannheim的安裝包安裝時(shí)勾選Additional Language Data里的Chinese (Simplified)。安裝路徑最好記一下后面配置要用比如C:\Program Files\Tesseract-OCR。安裝完成后驗(yàn)證一下tesseract --version ocrmypdf --version兩個(gè)命令都能正?；仫@版本號(hào)說(shuō)明基礎(chǔ)環(huán)境就緒了。3.2 配置文件說(shuō)明參數(shù)全解析我在config.json里放了幾個(gè)關(guān)鍵參數(shù)每個(gè)參數(shù)都解釋一下這樣你調(diào)整的時(shí)候心里有數(shù){ language: chi_simeng, deskew: true, rotate_pages: true, clean_final: true, output_type: pdfa, jobs: 4, optimize: 1, skip_text: true, threshold: 0.7 }各參數(shù)含義如下參數(shù)取值作用說(shuō)明languagechi_simeng識(shí)別語(yǔ)言中英混合優(yōu)先deskewtrue自動(dòng)糾偏掃描放歪的頁(yè)面會(huì)被修直rotate_pagestrue自動(dòng)旋轉(zhuǎn)方向豎版橫版混著的文檔也能處理clean_finaltrue用圖像清潔算法去噪點(diǎn)、去黑邊output_typepdfa輸出PDF/A格式適合長(zhǎng)期歸檔保存jobs4同時(shí)處理幾個(gè)文件視CPU核心數(shù)而定optimize1壓縮級(jí)別0不壓縮1平衡3最高壓縮skip_texttrue已有文字層的PDF直接跳過(guò)不重復(fù)處理threshold0.7圖片頁(yè)碼相似度閾值用于跳過(guò)圖片型頁(yè)面其中threshold這個(gè)參數(shù)我要展開(kāi)聊聊。它是配合跳過(guò)已有文字層的頁(yè)面策略用的。有些PDF本身前幾頁(yè)就是原生文字版只是后面混了掃描頁(yè)。OCRmyPDF默認(rèn)會(huì)對(duì)整個(gè)文檔做處理但如果我們開(kāi)skip_text它會(huì)先檢測(cè)哪些頁(yè)面已經(jīng)是數(shù)字原生文字如果頁(yè)面已有文字的比例超過(guò)這個(gè)閾值就直接跳過(guò)該頁(yè)面只處理真正需要OCR的頁(yè)面。這樣處理出來(lái)速度更快文件也不會(huì)因?yàn)橹貜?fù)嵌入文字層而變大。3.3 主腳本邏輯拆解幾百行代碼的核心就這點(diǎn)事我的batch_ocr.py主腳本核心邏輯不復(fù)雜就是把一堆重復(fù)勞動(dòng)自動(dòng)化了。完整腳本涉及到的關(guān)鍵部分我拆開(kāi)來(lái)解釋一下。首先是文件遍歷邏輯。調(diào)用Path.glob把input目錄下所有.pdf、.jpg、.png、.tif文件全部找出來(lái)每找到一個(gè)文件就丟進(jìn)處理隊(duì)列。這里有個(gè)小細(xì)節(jié)圖片文件會(huì)先被合并成一個(gè)臨時(shí)多頁(yè)P(yáng)DF再交給OCRmyPDF不然一張一張輸出太零碎了。處理流程的關(guān)鍵代碼段如下import ocrmypdf import subprocess from pathlib import Path def process_single_pdf(input_path: Path, output_path: Path, cfg: dict): 處理單個(gè)PDF的完整流程 try: ocrmypdf.ocr( input_path, output_path, languagecfg[language], deskewcfg[deskew], rotate_pagescfg[rotate_pages], cleancfg[clean_final], output_typecfg[output_type], jobscfg[jobs], optimizecfg[optimize], skip_textcfg[skip_text], progress_barFalse ) return True except ocrmypdf.exceptions.PriorOcrFoundError: # 已經(jīng)有文字層的PDF直接復(fù)制過(guò)去 shutil.copy2(input_path, output_path) return True except Exception as e: print(f[失敗] {input_path.name}: {e}) return False如果你的原始PDF里有部分頁(yè)是文字頁(yè)、部分是掃描頁(yè)必須把skip_text參數(shù)開(kāi)起來(lái)并用好PriorOcrFoundError這個(gè)異常捕獲分支。這個(gè)異常的意思是檢測(cè)到整個(gè)文件都帶文字層了這種情況下不需要重新OCR直接把原文件復(fù)制過(guò)去就行省掉大量CPU時(shí)間。然后是多線(xiàn)程并發(fā)控制。我用的concurrent.futures.ThreadPoolExecutor這里的核心是設(shè)置max_workers。OCRmyPDF本身在單文件內(nèi)會(huì)開(kāi)多線(xiàn)程所以文件級(jí)別的并發(fā)不宜太高否則內(nèi)存直接打滿(mǎn)。實(shí)測(cè)8核機(jī)器jobs4、文件級(jí)并發(fā)2是比較均衡的配置。如果機(jī)器內(nèi)存只有8GB文件級(jí)并發(fā)建議1寧愿多等一會(huì)兒也別把機(jī)器跑死。最后是日志記錄。每次運(yùn)行的詳細(xì)輸出寫(xiě)進(jìn)logs目錄文件按日期命名。處理失敗的路徑寫(xiě)進(jìn)一個(gè)failed.txt方便跑完再補(bǔ)一次。3.4 實(shí)際跑批效果記錄我拿手頭一批45份合同掃描件做了實(shí)測(cè)總共680頁(yè)其中有部分頁(yè)面是歪的還有幾頁(yè)是橫版表格。配置文件用的就是上面那套參數(shù)單文件并行數(shù)4個(gè)跑完用時(shí)約27分鐘輸出文件總大小從2.1GB降到860MB而且全部頁(yè)面都能正常搜索文字、復(fù)制文本。最讓我意外的是deskew參數(shù)的效果。原本掃描時(shí)放歪了幾度的頁(yè)面處理后被自動(dòng)糾偏了肉眼幾乎看不出原來(lái)歪過(guò)。過(guò)去用商業(yè)軟件這種糾偏功能多半是需要手動(dòng)逐頁(yè)調(diào)整的現(xiàn)在全自動(dòng)搞定。這在批量處理時(shí)省下的時(shí)間比OCR本身還要多。4. 常見(jiàn)問(wèn)題與排查技巧實(shí)錄4.1 安裝配置階段的翻車(chē)現(xiàn)場(chǎng)第一批報(bào)錯(cuò)基本都是環(huán)境問(wèn)題下面這些都是我實(shí)際踩過(guò)的坑問(wèn)題現(xiàn)象根本原因解決方案報(bào)錯(cuò)Ghostscript not foundGhostscript沒(méi)裝或不在PATH檢查PATH里是否有g(shù)s路徑重裝后重啟終端報(bào)錯(cuò)pytesseract.pytesseract.TesseractNotFoundErrorTesseract路徑未配置在config里指定tesseract_path到tesseract.exe全路徑中文識(shí)別出來(lái)是亂碼沒(méi)裝中文語(yǔ)言包重裝Tesseract勾選Chinese (Simplified)重新下載tessdata處理完成后輸出文件比原來(lái)大好幾倍優(yōu)化參數(shù)沒(méi)設(shè)把optimize調(diào)到1或2開(kāi)啟clean可減輕體積膨脹最搞的是第一次跑的時(shí)候75頁(yè)的PDF出來(lái)一個(gè)400多MB的文件把我嚇一跳。后來(lái)查了文檔才知道OCRmyPDF默認(rèn)會(huì)把掃描頁(yè)重新編碼為無(wú)壓縮的TIFF文件自然膨脹得離譜。開(kāi)了optimize1之后體積立刻回到正常水平甚至比原文件還小。4.2 處理過(guò)程中的疑難雜癥處理過(guò)程中最常見(jiàn)的報(bào)錯(cuò)我總結(jié)了三個(gè)典型場(chǎng)景。第一個(gè)PriorOcrFoundError。這個(gè)在上面代碼里已經(jīng)處理過(guò)但很多人不知道這個(gè)異常的存在導(dǎo)致處理一批文件時(shí)中途拋錯(cuò)就停了。官網(wǎng)說(shuō)明里明確寫(xiě)了這個(gè)異常場(chǎng)景捕獲后跳過(guò)即可不是真正的失敗。第二個(gè)純圖片PDF處理時(shí)內(nèi)存爆掉。如果你一次性丟進(jìn)去一個(gè)300頁(yè)的大文件并且把jobs設(shè)到816GB內(nèi)存也很容易被吃滿(mǎn)。解決辦法是把jobs降到2或者在批處理腳本里把超過(guò)100頁(yè)的文件拆分成多個(gè)臨時(shí)小PDF分別處理后再合并。PyMuPDF提供了Document.insert_pdf方法分治策略非常適合大文件。第三個(gè)掃描質(zhì)量太差導(dǎo)致識(shí)別率感人。這個(gè)不是工具問(wèn)題是源文件本身太差。建議預(yù)處理用clean_final配合deskew能在一定程度上修復(fù)但如果是模糊到根本看不清的那種再?gòu)?qiáng)的OCR也只能靠猜。更靠譜的思路是掃描時(shí)用300dpi以上識(shí)別率會(huì)大幅提升。4.3 批量處理中的隱藏坑批量處理多份文件時(shí)要特別注意同名文件覆蓋問(wèn)題。我的input目錄里曾經(jīng)出現(xiàn)過(guò)掃描件(1).pdf和掃描件(2).pdf這種微信傳輸后自動(dòng)改名的文件輸出時(shí)如果命名邏輯沒(méi)處理后者會(huì)直接覆蓋前者。我在腳本里有段名字過(guò)濾邏輯把所有非ASCII字符替換成下劃線(xiàn)再確保輸出目錄里文件名唯一from pathlib import Path import re def safe_output_name(filepath: Path) - str: raw filepath.stem cleaned re.sub(r[^\w\u4e00-\u9fff], _, raw) if len(cleaned) 50: cleaned cleaned[:50] final_name f{cleaned}.pdf return final_name另外日志里一定要記錄每個(gè)文件的處理狀態(tài)。45份文件跑了27分鐘人不可能一直盯著屏幕跑完后看日志和failed.txt就能精準(zhǔn)知道哪幾個(gè)文件出了問(wèn)題針對(duì)性修復(fù)重跑即可。5. 補(bǔ)充工具WPS批量轉(zhuǎn)圖公式的聯(lián)動(dòng)玩法5.1 WPS能做什么這個(gè)工具v1.0發(fā)布后有朋友問(wèn)我手里的素材全是圖片怎么快速變成一個(gè)多頁(yè)P(yáng)DF然后送給工具處理。這時(shí)就要用到WPS的批量轉(zhuǎn)圖公式了。步驟非常簡(jiǎn)單在WPS里新建一個(gè)空白文檔點(diǎn)擊插入→圖片選中所有需要轉(zhuǎn)換的圖片文件一次性插入。WPS會(huì)自動(dòng)把圖片按文件名順序排列每張圖片單獨(dú)占一頁(yè)。然后另存為PDF一個(gè)多頁(yè)P(yáng)DF就生成了。這活用公式邏輯來(lái)理解就是把圖片文件當(dāng)成一個(gè)個(gè)單元格值WPS的插入功能就是按順序填充這些值。這個(gè)功能其實(shí)勝在順手不需要額外安裝軟件也不用寫(xiě)代碼。對(duì)于臨時(shí)把幾十張照片掃進(jìn)PDF的場(chǎng)景非常夠用。生成的PDF雖然沒(méi)有文字層但可以直接丟給我們上面做的批量轉(zhuǎn)雙層PDF工具自動(dòng)完成OCR嵌入。兩者配合WPS負(fù)責(zé)把圖變成PDF工具負(fù)責(zé)把PDF變成能搜索的雙層PDF各干各的活。5.2 WPS宏命令實(shí)現(xiàn)圖片名批量生成如果你的圖片文件特別多、而且文件名有規(guī)律還可以借用一個(gè)Excel公式技巧來(lái)批量生成文件名序列。比如你的圖片命名依次是scan_001.jpg到scan_045.jpg在Excel里任意單元格輸入scan_TEXT(ROW(A1),000).jpg下拉填充45行就能得到全部文件名。再用這個(gè)序列配合WPS的HYPERLINK()公式或者VBA代碼就能自動(dòng)插入對(duì)應(yīng)圖片。原理很簡(jiǎn)單就是用Excel的文本公式批量生成文件名再把生成的列表復(fù)制出來(lái)配合腳本或宏使用。這套公式我是在整理一批老照片時(shí)琢磨出來(lái)的。當(dāng)時(shí)有幾百?gòu)垐D片需要按順序合并靠手動(dòng)輸文件名不得累死。有了公式生成文件名列表再配合一個(gè)十行左右的VBA宏把列表逐行插入WPS文檔全程自動(dòng)化省了不少功夫。6. 工具v1.0的局限與后續(xù)擴(kuò)展思路當(dāng)前版本v1.0解決了70%的需求但還有幾個(gè)明顯的短板。第一Tesseract對(duì)復(fù)雜版面的識(shí)別效果一般特別是多欄排版、密集表格偶爾會(huì)有文字錯(cuò)位。第二批量合并圖片時(shí)如果圖片本身方向混亂rotate_pages雖然能自動(dòng)轉(zhuǎn)正但不保證100%準(zhǔn)確。第三對(duì)于超大PDF1000頁(yè)全流程耗時(shí)較長(zhǎng)雖然能跑完但效率有待優(yōu)化v2.0準(zhǔn)備引入分頁(yè)并行處理來(lái)提速。后續(xù)擴(kuò)展我目前想好了三個(gè)方向。把PaddleOCR作為可切換的OCR引擎用它的版面分析模型來(lái)處理多欄、表格場(chǎng)景識(shí)別率和結(jié)構(gòu)還原度都會(huì)上一個(gè)大臺(tái)階。再加一個(gè)Web UI界面讓不懂命令行的同事也能通過(guò)瀏覽器拖文件進(jìn)來(lái)直接批量轉(zhuǎn)換。在輸出端增加目錄書(shū)簽生成對(duì)掃描版書(shū)籍尤其有用方便按章節(jié)跳轉(zhuǎn)。這套工具目前已經(jīng)穩(wěn)定跑了好幾個(gè)月我自己的文件歸檔庫(kù)、辦公室同事的合同掃描件都在用它的輸出結(jié)果。如果有朋友需要批量轉(zhuǎn)雙層PDF建議直接按我上面的步驟抄作業(yè)環(huán)境裝好、參數(shù)一配把文件丟進(jìn)去等結(jié)果就行。遇到報(bào)錯(cuò)也別慌日志里都有明確的線(xiàn)索按排查表逐項(xiàng)對(duì)照基本都能解決。最后再分享一個(gè)我個(gè)人的習(xí)慣跑完批處理之后不要急著刪源文件先抽查三五份輸出文件確認(rèn)文字層正常、頁(yè)面順序正確再清理中間文件。批量工具做得再順手復(fù)核這個(gè)動(dòng)作永遠(yuǎn)不能省尤其處理的是重要合同、檔案這類(lèi)不容有失的材料。本文還有配套的精品資源點(diǎn)擊獲取