PDF扫描件不能复制不能搜索用Umi-OCR离线转双层PDF6步批量跑通附避坑清单【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前阵子帮朋友整理一批企业档案的扫描件总共 426 页分成 13 个 PDF 文件。干了大半天我就破防了——这些文件打开后图片清清楚楚可你想复制一段话光标点进去毫无反应想搜索关键词定位到某页搜索框里敲了半天一片空白只能一页页翻着看对着屏幕手动抄写。直到换用了 Umi-OCR一款开源免费、全程离线的 OCR 文字识别软件用它的文档识别把整个文件夹批量转成了双层可搜索 PDF剩下半天就把活儿全干完了。这篇文章就把我的完整操作路径、值得调的参数和踩过的坑一次说清全程离线、不花一分钱。动手前先搞明白双层PDF到底是啥凭什么能解围扫描版 PDF 的本质就是一叠图片的合订本文字是烙在像素里的所以不能复制、不能搜索、想摘录只能照着打。双层 PDF 的思路很直白底层原样保留扫描图像观感与打印效果分毫不变上层叠加一层透明不可见的文字层让复制、搜索、摘录全部变成可能。你看到的还是原图但电脑已经认识它了。处理方式能否全文搜索能否复制文字排版保真度是否需要联网纯扫描PDF否否完整不需要OCR后导出纯文本能能版式丢失严重多数需要Umi-OCR双层PDF能能完整全程离线全程离线这一点对我至关重要——档案内容敏感绝不能上传到任何云端识别服务。Umi-OCR 把 PaddleOCR 与 RapidOCR 两套识别引擎都做成本地插件断网照样跑这也是它区别于一堆在线转换网站的核心卖点。那什么时候别用它如果你要的是带样式、能直接改文字的可编辑文档双层 PDF 满足不了你那是另一个需求方向转换前先想清楚目标格式能省下大量返工时间。第一份可搜索PDF从解压到验收6步就能跑通全程不需要任何技术背景照做即可。第1步下载解压免安装。从发布页拿到 Umi-OCR_Rapid_v2.1.5.7z 压缩包解压后双击Umi-OCR.exe即可启动。没有安装向导、没有环境配置绿色运行拷到别的电脑上即用即走。第2步打开文档识别标签页。主界面是灵活的标签页结构点开文档识别把要处理的 PDF 直接拖进左侧文件列表。支持批量添加一次拖入几十个文件毫无压力除了 PDF还兼容 xps、epub、mobi、fb2、cbz 等电子书格式。第3步设置输出格式为双层PDF。在右侧设置面板里把保存格式选成双层PDF如果只想提取文字、不在乎版式v2.1.2 起还能选单层纯文本PDF。第4步切换识别语言。中文资料选简体中文外文资料选对应语种。软件内置多国语言库繁体、日、韩、俄语都能应对别让默认配置去硬扛不合适的语言。第5步顺手处理页眉页脚强烈推荐。很多文档每页顶部有页眉、底部有页码这些杂讯会混进正文。点击忽略区域用鼠标框选出页眉页脚的位置还能指定生效的页码范围。这个小动作能让最终文本的整洁度上一个台阶。第6步开始任务并验收。点击开始任务右侧会显示逐页处理进度批量页里十几页的任务通常几秒钟就跑完。完成后去输出目录打开生成的 PDF先用 CtrlF 搜一个文档里的词验证文本可搜索是否生效再随机抽几页目测图像清晰度确认无误就算大功告成。别急着批量跑花10分钟调好这4个开关结果更漂亮很多人忽略右侧设置面板里的细节选项其实这几个参数能让你从能用进阶到好用。参数一识别语言。中英混排的文档请明确选择包含英文的配置识别准确率会有肉眼可见的提升。我处理的那批档案里混了不少英文合同页切到中英混合语言后报错率直接掉了一大截。参数二排版解析方案。遇到双栏排版的论文或报纸默认的多栏-按自然段换行一般能自动分栏、还原正确阅读顺序遇到特殊情况可以换成单栏-总是换行或单栏-保留缩进——后者特别适合扫描版的代码文档能保留行首缩进和行中空格。这个开关直接决定导出文本是能读还是好读。参数三图像压缩质量。对文件体积敏感的场合把压缩质量调到 80% 左右通常是个不错的平衡点如果对体积不敏感保持默认即可画质还原最好。参数四OCR页数范围。只想处理中间某几页指定页数起始/结束就能跳过无用页面配合忽略区域的页码范围还能对超长文档做精细的分段处理。文件多到要用批次衡量把转换流程交给HTTP接口当几百页文件要反复处理时就该上自动化了。Umi-OCR 提供了完整的 HTTP 接口流程只有四步上传文件 → 轮询任务状态 → 生成目标文件并获取下载链接 → 清理任务。下面是一段可直接改用的 Python 示例import requests, time BASE http://127.0.0.1:1224 # 1. 上传扫描件任务即刻在后台开始 with open(档案-第3卷.pdf, rb) as f: task_id requests.post( f{BASE}/api/doc/upload, files{file: f}, ).json()[data][id] # 2. 每秒轮询一次直到识别结束 while not requests.post(f{BASE}/api/doc/result, json{id: task_id}).json()[is_done]: time.sleep(1) # 3. 指定输出为双层可搜索PDF拿到下载地址 url requests.post(f{BASE}/api/doc/download, json{ id: task_id, file_types: [pdfLayered], }).json()[data] # 4. 下载结果顺手清理服务器上的临时任务 requests.get(f{BASE}{url}) requests.get(f{BASE}/api/doc/clear/{task_id})把这段逻辑套进循环整个文件夹的扫描件批量转双层 PDF 只是几分钟的事。结果格式除 PDF 外还支持 txt、csv、jsonl方便对接下游系统。注意 HTTP 通信只在系统内部本地环回进行不经过物理网卡数据不会泄露到外部。新手最容易踩的4个坑附排查思路坑一转换后文本和图像位置错位。老版本在解析带旋转的页面时确实出现过坐标问题v2.1.2 集中修复过相关内容如果你用的版本偏旧先升级到 v2.1.5 再重试若问题依旧检查文档是否包含旋转页面或改用整页强制OCR模式。坑二PDF加密或损坏导致任务卡死。加密 PDF 需要在参数中填写文档密码损坏文件则可能让任务一直停在等待状态。遇到异常先看软件日志——v2.1.5 起日志会保存到UmiOCR-data/logs目录能帮你定位到具体是哪一页出了问题。坑三大批量任务吃满内存。一次塞进几百页大文件时识别引擎默认把内存占用控制在系统总内存的一半以内一般够用但低配机器建议在全局设置里调低引擎线程数和内存上限宁慢勿崩。坑四以为双层PDF等于可编辑文档。双层 PDF 的文字层是不可见文本适合检索与复制但双击并不会有光标让你修改文字。转换之前先想清楚自己的目标格式能省下很多返工时间。跑通一条流水线之后还能往哪走到这里你已经掌握了一套完整的扫描件数字化工作流从单文件转换、参数调优到接口自动化全部离线完成。接下来可以顺着这几条线继续探索命令行调用截图、识别图片、识别二维码都能通过命令行触发比如umi-ocr --screenshot唤起截图识别适合脚本化集成。截图OCR日常处理网页截图、聊天记录图片打开截图OCR标签页按快捷键即可识别结果与原文逐行对照右键还能一键复制。二维码工具Umi-OCR 还内置扫码与生成二维码功能支持 19 种码制算是意外的加分项。二次开发如果想基于源码研究内部实现可以 clone 仓库git clone https://gitcode.com/GitHub_Trending/um/Umi-OCR。技术更迭很快但保留图像、叠加文字的双层 PDF 思路依然是档案数字化的主流解法。等第一批 PDF 全部变得可搜索、可复制你会发现那些压箱底的旧档案才算真正活了过来——这大概就是早点动手的意义。【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