Umi-OCR双层PDF转换终极指南把扫描件变成可搜索文档的完整教程【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拿到一份只有图片、没有文字的扫描版PDF复制不了、搜索不到、批注无门工作效率瞬间被卡死。开源免费的离线OCR软件 Umi-OCR 用一张双层PDF给出了漂亮的解法底层保留原始扫描图像顶层叠加一层可搜索的透明文本让既像原图、又能检索不再是奢望。这篇指南将从真实痛点切入先讲透它背后的技术原理再带你一步步亲手完成转换并附上踩坑排查与进阶玩法一文吃透这项功能。一、三个真实场景扫描版PDF到底有多难用先别急着打开软件我们看看几个每天都在发生的场景深夜改合同的打工人客户发来一份100多页的盖章扫描合同你要引用其中第37页的第2条条款却发现全文搜不了关键词只能一页页翻、一个字一个字敲进文档。凌晨一点眼睛已花。写论文的研究生导师甩来20本扫描版参考文献你想用 CtrlF 定位某个核心概念在哪本书的第几页结果搜索框输入后一片空白——因为这些 PDF 里压根没有文字。整理档案的行政人员数千页历史档案需要数字化归档。既要原样保留公章、签名、手写批注这些原始证据又要让人能按人名、日期快速检索。传统方案总得二选一。它们的共同病根是扫描版PDF的本质是图片套壳。扫描件经扫描仪/手机拍摄后每一页就是一张大图文档内部根本没有文本层。所以复制、搜索、提取、批注这些对普通 PDF 理所当然的操作对它全部失灵。而 Umi-OCR 的双层PDF功能正是瞄准这个痛点而来——让扫描件既能看又能搜。二、破局思路先搞懂双层这张数字三明治把一份双层PDF想象成一块数字三明治就很好理解了底层是面包原始扫描图像原汁原味保留盖章、签名、图表和排版中间是酱料每个文字块的坐标定位信息负责把顶层和底层对齐贴合顶层是肉片一层肉眼不可见的透明文本供搜索引擎和复制功能读取。人眼看到的是底层面包电脑读到的是顶层肉片二者通过坐标严丝合缝地重叠——这就是双层的含义。把市面上常见的几种处理方案摆在一起对比差距一目了然处理方案可复制文字可搜索定位保留原始版式可编辑性转纯文本 txt✅✅❌ 排版全丢一般原始扫描PDF纯图片❌❌✅无单层纯文本PDF✅✅❌ 只剩白纸黑字一般Umi-OCR 双层PDF✅✅✅ 原图文本双保留高一句话概括它的核心价值Umi-OCR 在保留原始图像的前提下给扫描件补上了一层可以搜索的文本。再加上它离线运行、完全免费、支持批量处理个人和企业都能零成本用上。三、原理拆解三个提问讲透它是怎么做到的知其然更要知其所以然。我们把怎么做出来的拆成三个递进的问题逐个击破。3.1 第一问原始页面靠什么原封不动保留Umi-OCR 的 PDF 解析与生成依赖PyMuPDF库v2.1.5 起 Windows 版已升级到 1.24.11。处理流程的第一步是把 PDF 每一页渲染成一张高清位图import fitz # PyMuPDF负责 PDF 的读取、渲染与合成 src fitz.open(扫描件.pdf) for page in src: # 把原始页面渲染成高清图像这就是底层面包 pix page.get_pixmap(dpi200) image_bytes pix.tobytes(png)注意这里并没有识别任何东西——它只是把页面转成图保证后续无论做什么处理原始视觉内容都能被完整带回新文档。3.2 第二问文字是怎么被认出来的识别环节交给PaddleOCR / RapidOCR离线识别引擎。它会返回每个文字块的内容以及精确的包围盒坐标左上角 x、y宽高旋转角等# OCR 引擎返回一个文字块 文本 坐标框 raw_blocks ocr_engine.recognize(image_bytes) # 例如[{text: 合同编号A-2024-001, # box: [[120, 340], [480, 340], [480, 372], [120, 372]]}, ...]但引擎的原始输出往往是按图像扫描顺序给出的零散碎片直接写入会乱序。这时候就要请出 Umi-OCR 自研的文本块后处理模块TBPU——也就是界面上的排版解析方案多栏-按自然段换行自动识别双栏/多栏布局按阅读顺序重排单栏-保留缩进适合代码截图保留行首缩进与空格不做处理保留 OCR 引擎原始输出。TBPU 负责把文字块按正确阅读顺序排序、按段落合并再配合忽略区域把页眉、页脚、水印等噪声文本块直接剔除最后交给合成环节。3.3 第三问认出的文字怎么贴回去还不挡视线这是最精妙的一步。合成时Umi-OCR 会新建一个与原页同尺寸的页面先铺上底层的原始图像再在对应坐标处写入文本——关键是把文字颜色设为全透明Alpha0# 双层PDF生成核心流程伪代码演示关键思路 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 渲染原始页面为图像 image_bytes page.get_pixmap(dpi200).tobytes(png) # ② OCR 识别得到文字块坐标 raw ocr_engine.recognize(image_bytes) # ③ TBPU 排版解析排序、合并段落、剔除忽略区域 blocks tbpu_parser.process(raw) # ④ 新建同尺寸页面先贴原图再写透明文本 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、可复制但不遮挡画面 out.save(out_path)整条流水线的协作关系可以简化为扫描PDF ──▶ PyMuPDF 渲染页面为图像 │ ▼ PaddleOCR / RapidOCR 离线识别 ──▶ 文字块 坐标 │ ▼ TBPU 排版解析排序 / 合并 / 忽略区域去噪 │ ▼ PyMuPDF 合成新PDF底层原图 顶层透明文本──▶ 双层PDF这里还有个容易被忽略的聪明细节如果原 PDF 本身是电子版导出自带文本层Umi-OCR 支持仅拷贝原有文本模式直接搬运文字、跳过 OCR速度会快得多。这也是内容提取模式doc.extractionMode存在的意义——它提供混合OCR/原文本、整页强制OCR、仅OCR图片、仅拷贝原有文本四种策略按需选用即可。四、版本演进一个功能从0到1的六次迭代翻看项目的 CHANGE_LOG.md双层PDF能力并非一蹴而就而是一步步打磨出来的版本时间关键动作v2.1.02024.02首次加入批量文档识别支持 pdf/epub/mobi双层概念正式落地v2.1.12024.03优化没有新文本写入时的双层PDF处理逻辑并改进原文本行提取v2.1.22024.06新增单层纯文本PDF输出修复文档内容提取与写入时的坐标旋转、比例适配问题v2.1.32024.07新增 HTTP 文档识别接口优化单栏-单行排版方案为大间隔文本块自动补空格v2.1.42024.08引擎默认内存占用不超过系统总内存一半批量任务更稳v2.1.52025.03修复提取 PDF 自带文本时未考虑页面旋转的问题修复单层PDF丢失原文本PyMuPDF 升级 1.24.11可以看到从能用到好用坐标对齐、旋转补偿、内存控制这些细节正是拉开体验差距的地方。五、上手实操五步生成你的第一个双层PDF理论铺垫完毕接下来动手。以仓库中提供的Umi-OCR_Rapid_v2.1.5.7z为例解压即用、无需安装。第1步解压启动顺手做好全局设置解压后双击Umi-OCR.exe启动。进入全局设置标签页确认三项识别语言如简体中文、界面语言、OCR引擎插件如 PaddleOCR-json 或 RapidOCR-json。如果你的电脑内存有限可在这里下调引擎内存限制避免批量任务时卡顿。第2步打开批量/文档识别页拖入文件切换到批量OCR文档识别标签页把 PDF 直接拖入任务列表或点击选择图片/添加文件按钮选择。除了 PDF还支持xps、epub、mobi、fb2、cbz等格式可以多选批量导入一次性丢几十份扫描件也没问题。第3步右侧面板定制转换策略在右侧设置面板中按需配置保存格式选择双层PDF另有单层纯文本PDF、txt、csv 等选项识别语言按文档内容选择如中文英文混合识别排版解析方案普通文档选多栏-按自然段换行代码截图选单栏-保留缩进忽略区域框选页眉、页脚、水印区域并指定生效的页数范围从源头剔除干扰OCR页数范围只想处理某几页时用pageRangeStart / pageRangeEnd精确限定。第4步点击开始任务盯着进度条走点击开始任务按钮即可看到任务列表逐项刷新、进度条稳步推进。批量任务支持暂停/恢复v2.1.2 起甚至可以设置完成后自动关机/休眠下班前挂上任务明早直接收结果。第5步多维度验证转换结果拿到输出的双层PDF后别急着收工做三件事确认质量可搜索性CtrlF 搜索一个文档里的专有名词能命中即说明文本层生效版式保真度对比原扫描件与新文档确认盖章、图表、分栏位置没走样文字准确性随机抽 5~10 处文字人工核对重点看数字、英文、标点。三步都通过这份双层PDF才算真正合格。六、高频踩坑问答出错先别慌对症下药实践中最常见的几个问题直接对照处理Q1转换出来的文字和图像错位了多半是旧版本遗留的坐标旋转/比例适配 Bug。先确认版本号低于 v2.1.2 请更新若仍错位试试切换内容提取模式或在设置中关闭方向纠正ocr.cls重新识别。Q2生成的文件体积太大双层PDF体积 底层图像 文本层。体积大头在图像可在引擎参数中调低限制图像边长如从 4320 降到 2880或对超长边压缩。若页面本身自带文本层直接改用仅拷贝原有文本模式能大幅瘦身。Q3识别准确率不理想三个方向排查一是确认识别语言是否选对中英混排务必选中文英文二是用图像工具先做去噪、纠偏预处理再导入三是检查忽略区域是否误框住了正文文字块。Q4任务卡住或转换失败先确认 PDF 没有加密有密码的话需在设置中填写再观察任务日志若提示资源不足可关闭占用内存的其他程序或在全局设置中降低引擎线程数。另外遇到宽高为0的异常图片这类历史 Bug升级到 v2.1.5 即可规避。Q5某几页的页眉页脚总被识别进正文把忽略区域画得大一些、完全包裹水印所有可能出现的位置并正确设置生效页数范围。注意规则是整个文本块被包含才忽略区域要框住完整文字块。七、进阶玩法用HTTP接口把转换能力接进自己的工作流GUI 操作之外Umi-OCR 还提供了完整的HTTP 文档识别接口默认端口 1224详见 docs/http/api_doc.md可以把它嵌入自动化脚本。标准流程是五步查询参数 → 上传文件 → 轮询状态 → 生成并下载目标文件 → 清理任务。import json import time import requests BASE http://127.0.0.1:1224 # 1. 上传扫描PDF指定混合提取 多栏自然段策略 opts {doc.extractionMode: mixed, tbpu.parser: multi_para} r requests.post( f{BASE}/api/doc/upload, files{file: open(扫描件.pdf, rb)}, data{json: json.dumps(opts, ensure_asciiFalse)}, ).json() task_id r[data] # 2. 轮询任务状态直到结束 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. 生成双层PDF并下载 r requests.post(f{BASE}/api/doc/download, json{id: task_id, file_types: [pdfLayered]}).json() open(双层结果.pdf, wb).write(requests.get(r[data]).content) # 4. 清理任务释放服务器资源 requests.get(f{BASE}/api/doc/clear/{task_id})有了这组接口你就可以写一个定时扫描文件夹 → 自动转双层PDF → 归档的批处理脚本把几千页档案的数字化变成一条无人值守的流水线。完整示例见 docs/http/api_doc_demo.py。八、场景拓展四个行业把双层玩出了花教育领域把扫描版教材、讲义转成双层PDF学生可按关键词快速定位知识点教师可在保留原版图表的基础上添加批注原内容不被破坏。法律领域合同、判决书、历史卷宗数字化。原始签章与格式完整保留同时支持全文检索关键条款与法律条文多版本合同还能逐条比对。医疗领域病历、检查报告归档。手写签名与影像图表原样留存患者姓名、诊断结果可结构化检索满足医疗档案长期保存的合规要求。企业与档案行业海量纸质单据、报表批量扫描入库配合 HTTP 接口自动化构建起真正可搜索的数字档案库彻底告别翻箱倒柜。九、总结与展望回顾全文Umi-OCR 的双层PDF功能用一张数字三明治解决了扫描件的世纪难题PyMuPDF 负责图像与PDF的解析合成PaddleOCR/RapidOCR 负责离线识别TBPU 排版解析负责文字排序与去噪三者各司其职最终产出看得见原图、搜得到文字的双层PDF。而这项能力的演进也远未停止。从项目公开的开发计划看表格识别输出 Excel、数学公式识别、多语言混合排版优化等方向都在酝酿中。不妨现在就下载 Umi-OCR用仓库里的Umi-OCR_Rapid_v2.1.5.7z跑通第一份双层PDF——从能复制到能搜索你与高效文档管理之间只差这一次点击。【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