设想打开一张扫描发票：供应商名称清清楚楚，搜索时却一无所获。PDF 留住了纸面上的字迹，计算机却没有可供查找的字符。开源命令行程序 OCRmyPDF 会补上另一种表达形式：一层与可见页面对齐的隐形文本。[1] 分别追踪页面和文本各自经历的处理，程序的架构也就清楚了。

区分这两种表达形式，正是项目最初的出发点之一。项目 README 提到，早先的一些工具会把识别出的文字放错位置、改变图像分辨率，或者生成过于庞大的文件。[1] 除了识别准确，处理后的文档也得便于使用。

一页文档，两种表达

PDF 的一页内容可以由多张图像、印刷文字和矢量对象拼合而成，未必是一张完整的照片。把其中的图像提取出来再拼回去，有时会丢失原有位置关系，或遗漏其他内容。OCRmyPDF 会先将整页渲染成像素图像，供识别使用；随后，在所选处理方式允许的情况下，把识别得到的文本层与原始页面合并。[2]

这张临时栅格图像供 Tesseract 识别使用，并不会自动成为最终交付给读者的页面。可以把它看作专门为识别引擎准备的工作副本。最终的 PDF 可保留原有的可见内容，并用独立的文本层保存引擎的识别结果。

本文依据的是标注为 17.13.0 的稳定版文档，查阅日期为 2026 年 10 月 23 日。发行版软件包有时会落后于上游发布版本，因此，对照示例和本机安装的程序时，需用 ocrmypdf --version 确认版本。[6] 下文使用的 --mode 参数名称是在版本 17 中引入的，旧选项仍可作为别名使用。[3]

已有文本决定处理方式

默认情况下，OCRmyPDF 发现已有文本就会停止处理。文档中已经有字符时，需要先决定保留哪些内容。[3]

使用 --mode skip 时，含有文本的页面会同时跳过 OCR 和图像预处理。这适合混合了扫描页与文字处理软件导出页面的一组文档。但跳过与否是按整页决定的：即使页首标题可以搜索，也不能据此认定标题下方附带的扫描图像同样可以搜索。[3]

使用 --mode redo 时，OCRmyPDF 会移除隐形的 OCR 文本，在供识别使用的图像中遮蔽可见文字，再到图像区域寻找其他文字。原有的可见文本会保留下来。有些旧 OCR 文本先以可见文字的形式绘制，随后又被图像覆盖；程序无法可靠地区分这类文本和其他可见文本。[3]

使用 --mode force 时，可打印的内容会先被栅格化，再重新识别。矢量文字随之变成像素。即使页面看起来依旧熟悉，选择这个选项也意味着接受内容表达形式的改变。[3]

回到开头那张设想中的发票，这些选项各有适用之处：它是未经处理的扫描件、早先 OCR 效果较差的扫描件，还是已有文本值得保留的混合页面？判断仍要从检查文档开始，选项名称听起来更强，并不能代替这一步。

清理后的图像用在哪里

页面与识别文本的区分，也能解释两个看起来十分相近的选项。--clean 使用 unpaper 清理送去识别的图像，清理后的图像只供识别使用；--clean-final 则还会把清理后的图像放入输出文件。操作指南要求用户检查处理结果，因为清理有时会删去应当保留的内容，或引入图像伪影。[4]

发票边缘若有一枚浅淡的印章，在识别副本中淡化它，与从交付的文档中删掉它，后果各不相同。按我对这些选项的理解，选择清理方式，要看需要改善的是识别副本还是最终页面。识别图像更整洁，本身不足以成为替换可见记录的理由。

压缩还需另作选择

识别结束后，还有独立的优化阶段。--optimize 1 选用优化器的无损设置；级别 2 和 3 允许有损处理，其中级别 3 会将图像质量降得更低。--optimize 0 关闭大部分优化，但仍会发生某些无损压缩调整。[5]

输出格式也需要选择。--output-type pdf 指定输出普通 PDF；PDF/A 旨在让文档长期保持可读，并限制有碍这一目标的功能。[2] 转换为 PDF/A 时，有时还会进一步处理图像，因此，仅看优化器的设置，无法涵盖文件经历的全部转换。[5]

输出文件新增了识别文本及其相关资源，体积也有增大的情形。[5] 因而，文件大小很难代表处理是否成功。对于保留原始扫描件的馆藏，更有用的比较是：衍生文件是否保住了所需细节，预期的文字是否可以检索。这两点都需要实际检查，字节数更少并不能给出答案。

从页面与文本两面检查结果

OCRmyPDF 可以用 --sidecar 写出配套文本文件，但其中只包含本次运行识别出的文本。输入文件原有的文本，以及未参与识别的页面，都会被省略。操作指南建议用 pdftotext 提取最终 PDF 中汇合后的文本。[4] 因此，检查混合文档时，只看这份配套文本文件，未必能看全内容。

对于规模较小、有人手复核结果的档案库，我会先挑几份有代表性的文档：清晰的扫描件、字迹浅淡的页面、分栏页面，以及混合页面。保留原件，再比较输出文件的外观，搜索已知短语，并复制跨行、跨栏的段落。这些检查各有作用；搜索成功，阅读顺序仍未必合理。

从可搜索文本到无障碍文档，还隔着后续工作。OCRmyPDF 的介绍文档指出，识别过程本身不会补上文档的标题和段落结构。[2] 一份来自外部机构的指南进一步列出了完整流程：印度最高法院电子委员会在 2022 年的无障碍文档制作规程中，将 OCRmyPDF 列入可用工具；在扫描文档的无障碍修复示例中，又分别列出文字识别、添加标签、调整阅读顺序和无障碍检查等步骤。[7]

把这两种表达分开来看，最有助于判断输出结果。扫描图像保留了人可以查看的内容，识别文本层则让软件多了一种访问这些内容的方式。OCRmyPDF 协调二者之间的关系。搜索找到的文字是否与页面上的字迹相符，读者依然应当得到确认。

来源

1. OCRmyPDF 官方仓库 README——项目用途、最初动机与文档保留目标。
2. OCRmyPDF 17.13.0 文档，介绍（Introduction）——PDF 页面组成、识别图像、文本层合并、PDF/A 及文档结构方面的限制。
3. OCRmyPDF 17.13.0 文档，高级功能（Advanced features）——默认处理方式与 skip、redo、force 模式；版本 17 的模式名称及旧选项别名。
4. OCRmyPDF 17.13.0 文档，操作指南（Cookbook）——清理后图像的用途、配套文本文件省略的内容，以及从最终 PDF 中提取文本。
5. OCRmyPDF 17.13.0 文档，PDF 优化（PDF optimization）——优化级别、始终会发生的无损压缩调整、格式转换注意事项，以及文件体积增大的原因。
6. OCRmyPDF 17.13.0 文档，安装 OCRmyPDF（Installing OCRmyPDF）——发行版软件包的版本滞后与已安装版本的检查方法。
7. 印度最高法院电子委员会，无障碍法院文档制作标准操作规程（2022），附件 2，印刷页码第 13–14 页——介绍 OCRmyPDF 及更完整的无障碍修复流程的独立指南。
8. Jason Scott，《Scribe 图书扫描仪》（Scribe Book Scanner），2011 年 8 月 12 日，维基共享资源——照片、来源与 CC BY 2.0 许可。