OCRmyPDF Docker镜像文档

镜像概述

OCRmyPDF是一款命令行工具，用于为扫描PDF文件添加OCR文本层，使其可搜索或复制粘贴。通过Docker镜像使用可避免依赖安装复杂问题，直接运行即可处理文档，生成符合PDF/A标准的可检索PDF文件。

核心功能与特性

• 生成可搜索PDF/A：将普通PDF转换为符合PDF/A标准的可检索文档，适合长期存档
• 精准文本定位：OCR文本层精确置于图像下方，便于复制粘贴
• 保持原始分辨率：不改变嵌入图像的原始分辨率
• 无损操作：尽可能以无损方式插入OCR信息，不影响其他内容
• 图像优化：通常生成比输入文件更小的输出文件
• 页面校正：支持自动旋转错误方向的页面（--rotate-pages）和校正歪斜页面（--deskew）
• 多核心支持：默认利用所有可用CPU核心并行处理
• 多语言识别：基于Tesseract OCR引擎，支持100多种语言
• 大规模处理：可稳定处理数千页的大型PDF文件
• 输入输出验证：自动验证输入和输出文件的有效性

适用场景

• 纸质文档数字化：将扫描的纸质文档转换为可搜索的电子文档
• 学术与研究：处理扫描版论文、书籍，便于关键词检索
• 办公文档管理：优化存档PDF，支持内容检索和复制
• 多语言文档处理：处理包含多种语言的扫描PDF（如中英文混排文档）
• 文档标准化：生成符合PDF/A标准的长期存档文档

使用方法

基本使用（Docker Run）

通过挂载本地目录到容器的/data目录，处理当前目录下的PDF文件：

bash
docker run --rm -v $(pwd):/data jbarlow83/ocrmypdf input_scanned.pdf output_searchable.pdf

高级选项示例

多语言识别

同时识别英语和法语：

bash
docker run --rm -v $(pwd):/data jbarlow83/ocrmypdf -l eng+fra input.pdf output.pdf

页面校正与优化

校正歪斜页面、修复旋转方向并设置标题：

bash
docker run --rm -v $(pwd):/data jbarlow83/ocrmypdf --deskew --rotate-pages --title "会议记录" input.pdf output.pdf

自定义输出类型与并行任务

指定输出为PDF/A，使用4个并行任务：

bash
docker run --rm -v $(pwd):/data jbarlow83/ocrmypdf --output-type pdfa --jobs 4 input.pdf output.pdf

Docker Compose配置（示例）

创建docker-compose.yml文件简化重复任务：

yaml
version: '3'
services:
  ocrmypdf:
    image: jbarlow83/ocrmypdf
    volumes:
      - ./pdfs:/data
    command: --deskew --rotate-pages input.pdf output.pdf

运行：

bash
docker-compose run --rm ocrmypdf

语言支持

OCRmyPDF依赖Tesseract OCR引擎的语言包，Docker镜像默认包含部分常用语言（如英语）。如需添加其他语言，可通过以下方式：

1. 使用包含多语言包的镜像：检查镜像标签，部分标签可能预安装多语言包（如jbarlow83/ocrmypdf:latest-full）

2. 自定义镜像：构建包含所需语言包的镜像，示例Dockerfile：

   dockerfile
   FROM jbarlow83/ocrmypdf
   RUN apt-get update && apt-get install -y tesseract-ocr-chi-sim tesseract-ocr-jpn && rm -rf /var/lib/apt/lists/*
   

3. 挂载语言文件：将本地Tesseract语言文件挂载到容器的/usr/share/tesseract-ocr/4.00/tessdata/目录

使用时通过-l参数指定语言，多语言用+分隔，如-l eng+chi-sim（英语+简体中文）。

文档与支持

获取帮助

查看命令行参数说明：

bash
docker run --rm jbarlow83/ocrmypdf --help

***文档

完整文档见Read the Docs

问题反馈

提交issue至GitHub Issues，并遵循模板提供详细信息。

注意事项

• 文件权限：Docker挂载目录时需确保宿主目录有读写权限，避免权限错误
• 性能优化：处理大型PDF时，可通过--jobs N调整并行任务数（N为CPU核心数）
• 输出验证：默认启用输出文件验证，确保生成的PDF/A文档符合标准，如需禁用可使用--skip-validation

许可证

OCRmyPDF软件采用Mozilla Public License 2.0 (MPL-2.0)许可。部分组件（如misc/目录下文件）使用MIT许可，文档和测试文件通常采用CC-BY-SA 4.0许可。