Umi-OCR 双层 PDF 转换指南：把扫描 PDF 变成可搜索文档的 4 步流程
Umi-OCR 双层 PDF 转换指南把扫描 PDF 变成可搜索文档的 4 步流程【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片PDF文档识别排除水印/页眉页脚扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR扫描 PDF 的 3 个卡点搜不到、抄不走、排版丢你的 180 份扫描合同 PDF阅读器里搜不到条款也划不出能复制的文字。Umi-OCR 是一款免费、开源、离线的 OCR 工具它的双层 PDF 转换能在扫描页上叠加可选择的文字层输出保留原排版的可搜索文档。具体卡在哪拆成三点看搜不到扫描 PDF 的每一页本质上是一张图CtrlF 对像素不生效。抄不走文字与图像绑定无法划选、复制、粘贴。排版会丢只导出纯文本表格、印章、签字栏的位置关系全部打散。Umi-OCR 的做法是生成双层 PDF底层原样保留扫描图像顶层叠加一层透明文本每个文本块按原始坐标摆放。搜索、复制交给文本层视觉效果交给图像层两边互不牺牲。功能速览5 个标签页各管一件事Umi-OCR v2 由标签页组成打开时按需启用右上角可锁定标签防止误关。截图OCR快捷键唤起截图识别右侧记录栏可编辑、划选多条记录复制。批量OCR导入jpg/png/tif/webp等图片批量识别输出txt/jsonl/md/csv无数量上限支持任务完成后自动关机。文档识别处理pdf/xps/epub/mobi/fbz/cbz对扫描件做 OCR 或提取原有文本可输出双层可搜索 PDF支持忽略区域。二维码扫码支持 19 种协议也支持从文本生成码图片。全局设置切换界面语言、主题更换 OCR 引擎PaddleOCR / RapidOCR 插件。批量页左侧是任务列表右侧是设置与记录面板文档识别页的布局与它一致看一次就能复用。除界面操作外还有两种调用方式命令行入口即主程序Umi-OCR.exeumi-ocr --help查看全部指令和 HTTP 接口默认http://127.0.0.1:1224仅本地回环。命令行识别一个文件夹示例umi-ocr --path D:/imgs --output result.txt--path可以传文件夹含嵌套子目录--output写入文件换成--clip则写入剪贴板。3 分钟跑通第一次截图识别拿程序有两条路普通用户下载官方发行版.7z或.7z.exe自解压包本仓库根目录就带了一份现成的Umi-OCR_Rapid_v2.1.5.7z。开发者克隆源码git clone https://gitcode.com/GitHub_Trending/um/Umi-OCR解压后无需安装、无需联网Windows 双击Umi-OCR.exeLinux 运行umi-ocr.sh。首次启动界面语言会跟随系统设置自动切换想改就去全局设置里的语言/Language。打开截图OCR标签页用快捷键唤起截图并框选目标区域。识别结果几秒内出现在右侧记录栏鼠标可以直接划选文字也可在预览栏勾选隐藏文本查看原文。到这里可以确认 OCR 引擎工作正常后面的文档识别用的就是同一套引擎。配置双层 PDF 转换的 3 个关键点输出双层可搜索 PDF能做什么扫描件转成图像层 透明文本层的 PDF搜索、复制可用排版与原件一致。怎么做文档识别标签页添加 PDF → 保存格式勾选双层可搜索PDF默认项→ 开始任务。注意点v2.1.4 起才有文档识别功能。同一份任务还能顺带导出单层纯文本 PDF、txt、jsonl、csv走 HTTP 接口时由file_types指定。用忽略区域圈掉页眉页脚能做什么把固定位置出现的页眉、页码、水印文字从识别结果里剔除。怎么做在文档识别或批量OCR页的设置里打开忽略区域编辑器按住右键绘制矩形框还可以指定这些框生效的页数范围。注意点框内的整个文本块会被忽略而不是单个字符。框画大一点别把正文块圈进去。给图文混排页选对提取模式能做什么当一页里既有图片又有可选文本时决定这一页走哪条路。怎么做四选一——mixed混合OCR/原文本默认、fullPage整页强制OCR、imageOnly仅OCR图片、textOnly仅拷贝原有文本。纯扫描件选fullPage最稳妥原文档本身带文本层的用mixed省时。注意点fullPage对每页都跑 OCR速度最慢但覆盖最全。单页在 Umi-OCR 内部的走向可以画成一张分支图端到端实战1 份扫描 PDF 的 4 步转换流程主任务把 32 页扫描合同contract_scan.pdf转成可搜索的双层 PDF。每页顶部有固定内部资料页眉底部有页码。第 1 步准备输入。确认版本 ≥ v2.1.4发行包 v2.1.5 即可把 PDF 放进一个干净的文件夹路径里避免特殊字符。第 2 步添加文档。打开文档识别标签页若标签栏没有点右上角新标签页从模板中打开在左侧任务列表点选文件把 PDF 加入任务。第 3 步设置任务参数。在右侧设置面板确认三处语言/模型库选简体中文内容提取模式选整页强制OCRfullPage因为这是纯扫描忽略区域编辑器里顶部页眉和底部页码各画一个矩形框。第 4 步启动任务并验收。点开始任务进度条实时显示已处理/总页数如 12/32。完成后打开生成的双层 PDF做三项验收搜索CtrlF 输入违约责任能定位到对应页。复制划选一段正文粘贴到记事本文字完整、顺序正确。排版放大检查表格与印章位置应与原扫描件一致。验收没问题这个流程就能复用到整批档案。想把它脚本化HTTP 接口就是上传→轮询→下载三步import requests r requests.post(http://127.0.0.1:1224/api/doc/upload, files{file: open(contract_scan.pdf, rb)}) task_id r.json()[data] # POST /api/doc/result 传 task_id轮询直到 is_done true # 再 POST /api/doc/download传 file_types[pdfLayered] 取下载链接两个提醒后端并发支持弱批量任务串行提交任务完成后建议调用/api/doc/clear/id清理否则 24 小时后自动清理。接口细节见 docs/http/api_doc.md。答疑5 个高频问题怎么处理Q1解压后打不开软件或提示缺组件用官方发行的完整发布包自带运行库不要自己拼环境。系统支持 Windows 7 x64 与 Linux x64Linux 下入口是umi-ocr.sh。Q2命令行umi-ocr --path ...执行后没反应命令行依赖后台进程的 HTTP 服务。到全局设置里确认HTTP服务已开启默认开启主机保持仅本地即可再重试。Q3HTTP 上传返回 code 101表示服务器没收到文件个别 Linux 系统在文件名含中文时会出现。参考 docs/http/api_doc_demo.py 的做法用一个纯 ASCII 的临时文件名重新发起上传即可。Q4双层 PDF 里文字偏少或混进了页眉页脚先核对提取模式扫描件应选整页强制OCR选成textOnly只会拷贝原文本层。再看干扰文字是否在忽略区域框内——框外或页数范围外的页不生效。Q5加密 PDF 能识别吗能。HTTP 接口的上传参数里提供password字段填入文档密码后按正常流程处理即可。延伸阅读3 份仓库内文档docs/README_CLI.md命令行全部指令含范围截图、二维码与高级模块调用。docs/http/api_doc.md文档识别接口的完整参数表与五步流程。CHANGE_LOG.md各版本功能与修复记录升级前值得过一遍。【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片PDF文档识别排除水印/页眉页脚扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考