我终于找到了一个可以本地把扫描版的中文PDF变成可搜索的PDF的命令行工作流程。具体方式为安装支持中文包的ocrmypdf这一开源软件。

安装流程

以下为在Mac上配置的流程。其他系统可以参考官方帮助网页：

  • 安装Brew
  • 安装翻译引擎和全部语言包 
    brew install tesseract --with-all-languages
brew install ghostscript
brew install poppler
brew install imagemagick
  • 安装ocrmypdf 
    brew install ocrmypdf

使用范例

官方使用范例

ocrmypdf                      # it's a scriptable command line program
   -l eng+fra                 # it supports multiple languages
   --rotate-pages             # it can fix pages that are misrotated
   --deskew                   # it can deskew crooked PDFs!
   --title "My PDF"           # it can change output metadata
   --jobs 4                   # it uses multiple cores by default
   --output-type pdfa         # it produces PDF/A by default
   input_scanned.pdf          # takes PDF input (or images)
   output_searchable.pdf      # produces validated PDF output

使用ocrmypdf扫描中英文混排的PDF

ocrmypdf -l eng+chi_sim input.pdf output.pdf

其中中文有四个选项,分别为

  • chi_sim 横排简体中文
  • chi_sim_vert 竖排简体中文
  • chi_tra 横排繁体中文
  • chi_tra_vert 竖排繁体中文 把英文放在中文前面应该是会比反过来放的效果更好。

把PDF的每一页分割为单页PDF

pdfseparate cn1.pdf -f 1 -l 10 out_%d.pdf

-f 指定分割开始的第一页， -l 指定分割的最后一页。

高级功能

根据ocrmypdf的pip页面，ocrmypdf还原生支持许多高级功能，比如监控并自动翻译指定目录下的PDF文件，自动把OCR完成的PDF移动到其他目录甚至是上传到Evernote。