3 步把一堆扫描 PDF 变成自动归档的文档库OCRmyPDF 零基础上手【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF文件夹里堆着扫描文件发票、合同、报告混在一起搜不到、找不到、分不开。OCRmyPDF 先在图片上垫一层文字把扫描 PDF 变成可搜索文本 PDF排版原样保留再配几行脚本逻辑就是一条完整的文档归档流水线——今天 3 步跑通它。扫描 PDF 怎么自动归档先看整条链路整件事是四步闭环OCRmyPDF 用 Tesseract 识别页面字符在图像上垫一层文字让每页都能被搜索、提取脚本再把文字取出来按关键词判断它是发票、合同还是报告最后把文件复制进对应的分类文件夹。⚙️ 闭环跑起来之后新文件丢进收件箱剩下它自己走。一条命令让扫描件变得可搜索大白话OCRmyPDF 读图、识字把识别出的文字无声地垫在图像下面版式一点不动。pip install ocrmypdf ocrmypdf input.pdf output.pdf此时你应当看到一份新的 output.pdf 出现 打开它CtrlF 能搜到任意字选中可复制。两个细节扫描件若是外语加-l chi_sim之类的语言参数页面歪斜加--rotate-pages --deskew识别准确率会明显上升。让脚本认出发票、合同还是报告文件可搜索之后下一步是让它自己报户口拆成两个动作先提取文本再判断类别。PDF 文本提取把文字从页面上拿下来pypdf 是读取 PDF 的小库几行代码就能把每页文字抠出来拼接。from pypdf import PdfReader text for page in PdfReader(output.pdf).pages: text page.extract_text()关键词匹配判断它属于哪一类分类逻辑一句话每类维护一张关键词表对提取出的文本跑正则命中哪类就算哪类。import re rules [(r发票|INVOICE, invoices), (r合同|CONTRACT, contracts), (r报告|REPORT, reports)] for pattern, name in rules: if re.search(pattern, text, re.I): print(name) break词表不够就往上加行别处不用改以后想做更语义化的判断可以接 spaCy 这类 NLP 工具新手可先跳过。此时你应当看到文件被判进某一类扔进对应文件夹即完成 ️新文件进来批量与监控两个脚本手动操作只对一份文件有用想让它一直转用仓库里现成的两个脚本。没有仓库就先克隆https://gitcode.com/GitHub_Trending/oc/OCRmyPDFOCRmyPDF 批量处理老文件一次清完misc/batch.py 会递归找出目录下所有 .pdf逐份跑 OCR记录结果并备份原件。把它指向历史扫描件目录放它一晚上第二天整堆文件都能搜。此时你应当看到目录里每份文件都垫上了文本层日志里一份文件一行记录。文件夹监控新文件进来自动归档misc/watcher.py 管的是新来的这一头持续盯着一个文件夹发现新 PDF 立刻 OCR结果写入指定目录还能按年月建子目录。把它和前面的分类环节接上新文件 → 识别 → 分类 → 归档全程零人工。此时你应当看到一张扫描发票丢进收件箱几秒后 invoices 文件夹里多了一份可搜索的文件 ✅几个跑起来必问的问题识别率偏低、字都认错了先查扫描质量300 DPI 是可用下限页面歪斜就加--rotate-pages --deskew语言不对就改-l参数。三处调完多数误识别都能消掉。提取出来是空文本两种情况原件是纯图像、本来就没有文本层这是正常的正该交给 OCRmyPDF另一种是页面有文字但提取库太旧升级一下 pypdf或用ocrmypdf --force-ocr重做文本层。OCRmyPDF 批量处理太慢加--jobs参数多核并行 ⚡文件确实多把目录拆成几份分批跑。watcher 挂在后台不用人守着。分类老判错先把关键词表改精确词越有辨识度撞车越少。想做更细的分类引擎可以参考 src/ocrmypdf/builtin_plugins/ 里的插件写法把自定义判断挂进去。【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考