为什么PDF扫描件复制出来全是乱码？答案就藏在这行命令里

它能把一张张扫出来的PDF，变成你点开就能Ctrl+F找字、能复制粘贴的真PDF。

不是生成新文档，也不是套个网页壳子——就在原文件上加一层看不见的文本，图像一模一样，但从此能搜、能选、能复制。

你手头那些合同、发票、老教材、医院报告……只要还是“图片PDF”，它就能救回来。

这种PDF在系统里显示为“页面是图”，打开后无法选中任何文字，右键只有“另存为图片”选项。

OCRmyPDF做的不是替换图像，而是用Tesseract引擎逐页识别图中字符，再把结果以PDF标准定义的“隐藏文本层”方式嵌入原文件结构。

嵌入后，PDF阅读器会把这层文字当作真实内容渲染：搜索命中高亮、光标可拖选、复制时自动跳过图像区域。

它替你省掉了什么

你可能正在为OCR服务按月付费：Adobe Acrobat 订阅要￥20/月起，国内某知名PDF工具OCR功能单独收费￥12/月，还有不少APP用一次收几块钱。

这些服务背后干的事，和OCRmyPDF几乎一样：识别图片里的字，叠进PDF底层。区别是——它们收钱，而这个工具完全免费，且不联网、不传文件、不建账号。

数据全程不出你的电脑。

它不替代某个具体软件名，而是替代了“为PDF加文字层”这件事本身，一个本该一次配置、终身可用的基础能力，不该被切成碎片反复收钱。

它不依赖云端服务器排队：本地CPU直接跑，百页文件通常几分钟内完成，不用等通知、不用看进度条卡在99%。

也不需要手动调参：默认启用PDF/A验证、多核并行、自动旋转校正，所有开关都藏在合理默认值后面。

核心功能

把扫描件PDF变成真正可搜索的文件：不是加个水印式文字层，而是把识别出的字精准压在图下方，复制时不会乱码、不会跳行，粘贴出来就是干净中文或英文。它严格遵循PDF规范中的“text under image”布局模式，确保Adobe Reader、Preview、Foxit甚至手机PDF阅读器都能正确解析。
自动扶正歪斜页面：有些扫描件整页向左偏1.5度，肉眼看不出来，但OCR会失败。它能先检测角度再旋转，不用你手动调。实际运行时会触发–rotate-pages参数，对每页独立计算倾斜角，仅旋转必要页面，不破坏原始装订顺序。
支持中文识别，但需要额外装语言包：比如Ubuntu用户只需一条命令 apt-get install tesseract–ocr-chi-sim，装完就能识简体中文；macOS用Homebrew也能装。Arch用户需安装tesseract-data-chi-sim，FreeBSD则通过pkg install tesseract-data-chi-sim获取，所有语言包均来自Tesseract官方仓库。
输出默认就是PDF/A格式：这是档案级标准，适合长期保存。很多付费工具要开高级选项才给这个选项，它直接当成基础要求来实现。生成前会调用pdfa-validator检查结构，不合规就报错退出，不输出残缺文件。
边OCR边压缩：不是越扫越大，反而常比原文件更小，因为内部会优化图像编码，尤其对黑白扫描件效果明显。它会重编码JPEG图像、合并重复XObject、清理无用元数据，最终输出体积常低于输入文件10%-30%。
能一口气处理上千页：不是卡死、不是崩掉，官方说“经百万PDF实测”，说明它真敢接大活，不是玩具级工具。它用内存映射方式读取大文件，分块处理，避免一次性加载全部页面到RAM。

三步上手

Windows用户装WSL（微软商店搜“Ubuntu”点安装），然后在终端里运行 sudo apt install ocrmypdf；Mac用户用Homebrew，命令是 brew install ocrmypdf；Linux发行版基本都自带源，直接apt或dnf装就行。Fedora用户注意需额外启用RPM Fusion源才能找到包。
把你要处理的PDF拖进终端所在文件夹，输入命令：ocrmypdf -l chi-sim input.pdf output.pdf（中文用户记得加-l参数，否则默认只识英文）。若要同时识中英双语，可写成-l chi-sim+eng；若PDF有横竖混排，加–rotate-pages-auto参数让程序自动判断方向。
等进度条走完，打开output.pdf试试：Ctrl+F随便打两个字，看能不能跳到对应位置；选中一段文字，复制粘贴到记事本，看是不是原样中文。特别留意带标点的句子，OCRmyPDF保留原文标点位置，不会把句号挤到下一行开头。