扫描PDF只能看不能搜用Umi-OCR双层PDF 5分钟把它变成可搜索文档【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如果你收到一份扫描版PDF——纸质合同、老教材、档案馆材料——八成会面临同一个尴尬文字全是图片CtrlF搜不了、文字复制不出来、想引用一段内容只能一个字一个字敲。我上个月就栽在这上面一份128页的历史档案第二天要写汇报我只能对着屏幕手动抄重点抄到凌晨两点。后来我换了个思路用免费开源的离线OCR软件Umi-OCR的双层PDF转换功能几分钟就把整本扫描件变成了既能看原图、又能直接搜文字的可搜索文档。这篇文章就把我的完整经验和踩过的坑分享给你。一、先看差距传统做法 vs 双层PDF在遇到 Umi-OCR 之前我试过三种江湖方案各有各的坑方案效果痛点在线OCR网站能出文字要上传文件涉密资料不敢传免费额度少128页得充钱手机APP拍照转文字方便逐页拍128页拍到怀疑人生排版全乱直接拿PDF去转Word格式花扫描件根本没有文本层转换出来还是图片而双层PDF的思路完全不同底层保留扫描原图顶层叠加一层看不见但可搜索的文字。视觉上它还是那本原汁原味的扫描件但里面的文字已经可以检索、复制、划线标注了。二、5分钟快速上手把第一本扫描PDF变活我用的版本是Umi-OCR_Rapid_v2.1.5解压即用、完全离线。第一次跑通只花了不到5分钟你照着做就行打开软件切到文档识别标签页。左侧拖入你的扫描版PDF支持 pdf、epub、mobi 等格式。这一步是全部操作的入口认准这个标签页。右侧设置里选输出格式为双层可搜索PDF。这是本次操作的关键选错了就只能得到纯文本。识别语言选中文英文按文档内容调整段落合并模式用默认的多栏-按自然段换行就行。这样即使原文档是双栏排版文字顺序也不会乱。点开始任务。界面会显示每页的处理进度通常单页只要一两秒。为什么推荐先小批量试因为处理期间你也可以随时暂停v2.1.2 起支持电脑待机后还能接着跑。去输出目录找到生成的PDF用任意阅读器打开按CtrlF搜一个词试试——能搜到就成功了。顺带一提这一步其实是把文档识别能力接进了批量任务流程。日常大量图片的识别也在隔壁批量OCR页原理相通。图批量处理页面文档识别与图片批量识别共用同一套任务与进度机制三、它背后的原理一页PDF里的数字三明治理解原理不需要懂代码记住一个比喻就行每一页双层PDF都是一份三明治。底层面包原始扫描图像负责让你看到和原稿一模一样的版面、签名、印章。中间酱料每个文字块的坐标数据OCR引擎Umi-OCR 内置 PaddleOCR / RapidOCR识别出每个字后顺手记录它落在页面哪个位置。顶层肉片透明不可见的文字层平时你看不见它但搜索、复制、朗读软件用的都是它。Umi-OCR 的 PDF 处理核心基于 PyMuPDF在更新日志 CHANGE_LOG.md 中有记录文字块的排版整理则由项目自研的 TBPU 文本块后处理模块完成源码在py_src/ocr/目录下。如果只想要文字不要图也可以选单层纯文本PDFv2.1.2 新增——这就是把三明治的面包抽掉只留文字层。四、真实实战两次转换效果对得起等待案例1128页历史档案操作前整本扫描件CtrlF 无响应引用资料只能手抄。操作中拖入文件→选双层可搜索PDF→开始任务全程约6分钟平均单页2-3秒中间我还暂停了一次去倒水。操作后原版面分毫未动但人名年份关键词全部可搜写汇报时按关键词定位原文效率翻了几倍。案例2同事的30页合同扫描件操作前纸质合同转PDF后全是图想核一条条款得整页翻。操作中勾选了忽略区域功能把页眉页脚框起来排除掉防止公司名称干扰识别该功能用法见 README.md。操作后全文检索到所有出现违约金的位置文件大小只比原扫描件多一点点几乎无感。五、常见坑与避坑清单这几条是我和身边人真实踩过的直接照单检查坑症状解决方案文字和图像错位搜索到的文字位置对不上检查版本是否 ≥ v2.1.2该版本修复了坐标旋转适配问题见 CHANGE_LOG.md识别出来的文字顺序乱双栏排版串行段落合并模式切换为多栏系列方案页眉页脚混进正文每页都识别出公司名、页码用忽略区域框选掉页眉页脚大文件处理慢/卡500页以上明显变慢把大文件拆成50页左右分批转任务支持暂停续跑转换失败或报错日志里出现 ERROR命令行启动可看实时日志日志也保存在UmiOCR-data/logs目录v2.1.5 起六、进阶技巧让双层PDF替你干活跑通基础流程后这三个技巧能帮你省下大量时间命令行批量转换软件支持命令行调用把一批PDF拖进命令就能排队处理适合固定流程重复执行详见 命令行手册。HTTP接口自动化软件内置本地HTTP服务可用/api/doc系列接口上传文档、轮询任务、下载双层可搜索PDF结果pdfLayered格式。写个脚本就能把扫描件→可搜索PDF接进自己的自动化流程接口文档在 docs/http/api_doc.md。识别完顺手复制转换前先在界面看识别结果划选复制到剪贴板等于同时拿到可搜索PDF 纯文本两份成果。提示命令行和HTTP接口的开关都在全局设置里默认开启仅本地通信不经过物理网卡不用担心数据外泄。图全局设置页命令行与HTTP服务的开关都在这里管理写在最后从只能看不能搜的扫描件到可检索、可引用、可归档的双层PDFUmi-OCR 全程免费、离线运行不折腾、不花钱、不上传隐私文件。你手头是不是也压着一堆扫描件去 CHANGE_LOG.md 看看版本历史下载最新版用上面的5个步骤今晚就能把第一本扫描PDF变成活文档。如果你也试出了好用的参数组合或者踩过什么新坑欢迎在评论区交流你的使用心得。【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
