学习这个项目的主要目的无非就是想对 扫描件PDF 进行OCR识别。并生产一个可以编辑的PDF 一些图片如何可以保存，当然更好。一些页面不规整，如果能调整一些当然更好。如果要转换的PDF数量比较多，当然可以并行处理会更快一些。OCR时当然也要注意一下语言的区分。如果可以把生产的文件提交变小，那更是爽。
经过上方的需求 读完本文章后 可以把组合一下命令，放置文章开头。方便复制。
单文件
# 中文 txt pdf
wsl ocrmypdf -l chi_sim --sidecar output.txt input.pdf output.pdf
# 中文 矫正 清理 修正 输入 输出
wsl ocrmypdf -l chi_sim --deskew --clean --rotate-pages input.pdf output.pdf
# 强制 中文 矫正 清理 修正 输入 输出
wsl ocrmypdf --force-ocr -l chi_sim --deskew --clean --rotate-pages input.pdf output.pdf多文件
# CPU最高占用80% 3个Job并行 中文 矫正 清理 修正 输入
wsl parallel --tag --load 80% -j 3 ocrmypdf -l chi_sim --deskew --clean --rotate-pages '{}' 'output/{}' ::: *.pdf
# CPU最高占用80% 3个Job并行 强制 中文 矫正 清理 修正 输入
wsl parallel --tag --load 80% -j 3 ocrmypdf --force-ocr -l chi_sim --deskew --clean --rotate-pages '{}' 'output/{}' ::: *.pdf- --eta：显示任务完成的预计剩余时间。
- -j 2 或 -jobs 2：同时运行的命令数，在本例中设置为2。
- --load 80%：最大cpu负载。在上面的命令中，我们指定最多可以运行80％的CPU。
- --noswap：如果服务器处于大量内存负载下，则不会启动新作业，以便在存储新信息之前从内存中删除信息。
- 后面的命令使用重定向和管道符时：">>" ">" "|" 需要加上双引号;
PDF全称Portable Document Format，译为可移植文档格式，是一种电子文件格式。这种文件格式与操作系统平台无关，也就是说，PDF文件不管是在Windows，Unix还是在苹果公司的Mac OS操作系统中都 是通用的。这一性能使它成为在Internet上进行电子文档发行和数字化信息传播的理想文档格式。
PDF/A是PDF格式的一种，是为长期保存文件而设计的。基本上就是屏蔽了一些不适合的功能，如Javascript，音频、视频等等。
正文开始
这些平台具有一行程序安装:
| Debian, Ubuntu | apt install ocrmypdf |
|---|---|
| Windows Subsystem for Linux | apt install ocrmypdf |
| Fedora | dnf install ocrmypdf |
| macOS | brew install ocrmypdf |
| LinuxBrew | brew install ocrmypdf |
| FreeBSD | pkg install py38-ocrmypdf |
| Conda (WSL, macOS, Linux) | conda install ocrmypdf |
比较简单的方法是先安装Ubuntu子系统 WSL
WSL 安装并升级完成后apt install ocrmypdf 即可 然后再安装 语言包 apt-get install tesseract-ocr-chi-sim
注意使用语言包是 在参数上加 -l chi_sim 为中文 注意 - 替换为下划线
添加OCR层并转换为PDF/A
ocrmypdf -l chi_sim input.pdf output.pdf
添加OCR层并输出标准PDF
ocrmypdf -l chi_sim --output-type pdf input.pdf output.pdf
创建PDF/ a与所有颜色和灰度图像转换为JPEG
ocrmypdf -l chi_sim --output-type pdfa --pdfa-image-compression jpeg input.pdf output.pdf
OCR将尝试自动纠正每一页的旋转。这可以帮助修复混合了横向和纵向页面的扫描工作。
ocrmypdf --rotate-pages myfile.pdf myfile.pdf
您可以增加(减少)参数 --rotate-pages-threshold 以使页面旋转更积极(更不积极)。阈值数是OCR引擎对文档图像应该更改与保持不变的置信度的比率。默认值相当保守;在某些文件中，它可能根本不会尝试旋转，除非它非常确信当前的旋转是错误的。较低的2.0值将产生更多的旋转和更多的假阳性。使用-v1运行以查看每个页面的置信级别，以查看是否有更好的文件值。
如果页面“稍微偏离水平方向”，就像一幅歪斜的图片，那么你就需要--deskew。--rotate-pages是在主角错误时使用的。
OCRmyPDF假定文档是英文的，除非另有说明。如果使用错误的语言，OCR的质量可能会很差。
ocrmypdf -l fra LeParisien.pdf LeParisien.pdf
ocrmypdf -l eng+fra Bilingual-English-French.pdf Bilingual-English-French.pdf
必须为所有指定的语言安装语言包。请参见安装其他语言包。
不幸的是，Tesseract OCR引擎没有能力检测未知的语言。
这将生成一个名为“output.pdf”的文件和一个名为“output.txt”的文本文件。
ocrmypdf -l chi_sim --sidecar output.txt input.pdf output.pdf
如果你从图像开始，你可以直接使用Tesseract将图像转换为pdf
tesseract my-image.jpg output-prefix pdf
# 当有多个图像时
tesseract text-file-containing-list-of-image-filenames.txt output-prefix pdf
Tesseract的PDF输出相当不错——在某些情况下，OCRmyPDF在内部使用它。然而，OCRmyPDF有许多在Tesseract中不可用的特性，如图像处理、元数据控制和PDF/A生成。
您还可以使用像img2pdf这样的程序将图像转换为pdf，然后通过管道将结果运行ocrmypdf。-告诉ocrmypdf读取标准输入。
img2pdf my-images*.jpg | ocrmypdf - myfile.pdf
推荐使用img2pdf，因为它在不转码图像的情况下生成pdf非常出色。
为了方便，OCRmyPDF 也可以将单个图像转换为pdf。如果图像的分辨率(每英寸点，DPI)没有设置或不正确，可以使用--image-dpi覆盖它。(因为1英寸是2.54厘米，1 dpi = 0.39 dpcm)。
ocrmypdf --image-dpi 300 image.png myfile.pdf
如果您有多个图像，您必须使用img2pdf将图像转换为PDF。
我们警告不要使用ImageMagick或Ghostscript将图像转换为PDF，因为它们可能会转换图像或生成下采样图像，有时没有警告。
如果需要，OCRmyPDF会对PDF的每个页面执行一些图像处理。对每个页面应用相同的处理。建议用户在图像处理后检查文件，因为这些命令可能会删除所需的内容，特别是从质量较差的扫描。
--rotate-pages尝试确定每个页面的正确方向，并在必要时旋转页面.--remove-background尝试从灰度或彩色图像中检测和去除有噪声的背景。单色图像被忽略。这不应该用于包含彩色照片的文档，因为它可能会删除它们.--deskew将纠正的页面以一个倾斜的角度扫描，通过旋转他们回到原位。歪斜的确定和校正使用Postl的行和方差算法来执行，正如在Leptonica中实现的那样。--clean使用unpaper在OCR之前清理页面，但不改变最终输出。这使得OCR不太可能在背景噪音中寻找文本.--clean-final使用unpaper在OCR之前清理页面，并将页面插入最终输出。你会想要检查每一页，以确保unpaper没有删除重要的东西.
在许多情况下，图像处理会将PDF页面栅格化为图像，可能会降低质量。
Deskew:
ocrmypdf --deskew input.pdf output.pdf
可以组合图像处理命令。给出选项的顺序并不重要。OCRmyPDF总是以相同的顺序应用图像处理管道的步骤(旋转、删除背景、deskew、清洁)。
ocrmypdf --deskew --clean --rotate-pages input.pdf output.pdf
如果您设置--tesseract-timeout 0，那么OCRmyPDF将应用其图像处理而不执行OCR，如果您只想应用图像处理或PDF/A转换。
ocrmypdf --tesseract-timeout=0 --remove-background input.pdf output.pdf
您还可以优化所有图像而不执行任何OCR
ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text input.pdf output.pdf
您可以要求OCRmyPDF只对某些页面应用OCR。
ocrmypdf --pages 2,3,13-17 input.pdf output.pdf
连字符表示页码的范围，逗号分隔页码。如果您喜欢使用空格，请引用所有的页码:--pages '2, 3, 5, 7'。
如果您的页码列表包含重复或重叠的页面，OCRmyPDF将发出警告。OCRmyPDF目前不考虑文档页码，例如使用罗马数字的书的介绍部分。它只是计算从开始到现在虚拟纸张的数量。
不管--pages，的参数是什么，OCRmyPDF都会优化文件中的所有页面并将其转换为PDF/A，除非禁用这些选项。在这个例子中，我们希望只对标题进行OCR，否则尽可能少地更改PDF:
ocrmypdf --pages 1 --output-type pdf --optimize 0 input.pdf output.pdf
要用其他OCR软件或以前版本的OCRmyPDF和/或Tesseract在文件OCRed上重做OCR，可以使用--redo-ocr参数。(通常情况下，如果被要求用OCR修改文件，OCRmyPDF将退出并出现错误。)
这对于那些想要利用Tesseract 4.0的准确性改进的用户是很有帮助的，他们以前使用Tesseract和OCRmyPDF的早期版本来occred文件。
ocrmypdf --redo-ocr input.pdf output.pdf
这种方法将在不栅格化、降低质量或删除矢量内容的情况下取代OCR。如果一个文件包含纯数字文本和OCR的混合，数字文本将被忽略，OCR将被替换。因此，这种模式与图像处理选项不兼容，因为它们会改变文件的外观。
在某些情况下，无法检测或替换现有的OCR。例如，由OCRmyPDF v2.2或更早版本生成的文件在内部表示为具有可见文本，并在顶部绘制不透明图像。无法检测到这种情况。
如果--redo-ocr不能工作，您可以使用--force-ocr，它将强制对所有页面进行光栅化，可能会降低质量或丢失矢量内容。
图像处理特征可以提高OCR的质量。
旋转页面和反斜有助于确保在OCR开始前页面方向正确。删除背景和/或清理页面也可以提高结果。可以指定'—过采样DPI '参数，以便在尝试OCR之前将图像重新采样到更高的分辨率;这也可以改善结果。
如果输入图像的分辨率不正确，OCR质量将受到影响(因为将检查可能的fo的像素大小范围.
默认情况下，OCRmyPDF将尝试在OCR完成后对pdf中的图像执行无损优化。即使没有找到OCR文本，也会执行优化。
--optimize N(简写为-O)参数控制优化，其中N的范围从0到3(包括0到3)，类似于GCC编译器中的优化级别。
| Level | Comments |
|---|---|
--optimize 0 |
禁用优化. |
--optimize 1 |
支持无损优化，如将图像转换为更有效的格式。还可以压缩PDF中其他未压缩的对象，使PDF中的“对象流”更有效. |
--optimize 2 |
所有这些，并支持有损优化和颜色量化。 |
--optimize 3 |
所有这些，并支持更积极的优化和目标较低的图像质量。 |
当JBIG2编码器可用和安装pngquant时，优化得到改进。如果缺少其中任何一个组件，那么某些类型的图像就不能被优化。
可用的优化类型可能会随着时间的推移而扩展。默认情况下，OCRmyPDF压缩pdf中的数据流，并将低效的压缩模式更改为更现代的版本。像qpdf这样的程序可以用来更改编码，例如检查PDF的内部结构。
ocrmypdf --optimize 3 in.pdf out.pdf # 让它小
本文提供了有关在多个文件上运行 OCRmyPDF 或将其配置为由文件系统事件触发的服务的信息。
考虑使用优秀的GNU 并行同时将 OCRmyPDF 应用于多个文件。
两者都将尝试使用所有可用的处理器。为了最大限度地实现并行性，而不会使系统与流程过载，请考虑使用并行来限制同时运行两个作业。parallel ocrmypdf parallel -j 2
此命令将运行当前目录中命名的所有 ocrmypdf 所有文件，并将它们写入之前创建的文件夹。它不会搜索子方向。*.pdf output/
该参数要求在打印邮件时将文件名作为前缀打印为前缀，以便人们能够将任何错误跟踪到生成这些错误的文件中。--tag
parallel --tag -j 2 ocrmypdf '{}' 'output/{}' ::: *.pdf
OCRmyPDF 在分析和收集 PDF 信息之前会自动修复 PDF。
这将穿过目录树，并在所有文件上运行 OCR，以制作的方式打印输出
find . -printf '%p' -name '*.pdf' -exec ocrmypdf '{}' '{}' \;
或者，用码头集装箱（将体积安装到储存 PDF 的容器中）：
find . -printf '%p' -name '*.pdf' -exec docker run --rm -v <host dir>:<container dir> jbarlow83/ocrmypdf '<container dir>/{}' '<container dir>/{}' \;
这每次只运行一个过程。此变体用于创建目录列表并并行运行，再次更新已到位的文件。ocrmypdf``find``parallel``ocrmypdf
find . -name '*.pdf' | parallel --tag -j 2 ocrmypdf '{}' '{}'
在 Windows 批次文件中，使用
for /r %%f in (*.pdf) do ocrmypdf %%f %%f
以上是把官网的教程做了一部分抽取，把比较关键的一些内容抽取了出来。并翻译了一下。