当前位置：首页 > news >正文

扫描版 PDF 怎么转文字？免费开源的 Umi-OCR 三步搞定批量识别

news 2026/8/15 17:45:34

扫描版 PDF 怎么转文字？免费开源的 Umi-OCR 三步搞定批量识别

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

几十份扫描版 PDF 躺在硬盘里：搜索没结果、复制是空白，只能对着图片干瞪眼。这是我换用免费开源的 Umi-OCR 之前的日常——一款主打离线 PDF 文字识别、图片转文字的桌面软件，解压即用、断网可跑。

过去三个月，我用它陆续消化了手头两千多页的纸质档案扫描件，从抓狂到熟练只花了半小时。这篇文章不堆参数，只讲真实体验：它怎么把扫描件变成能搜能复制的文字，又有哪些坑值得你提前避开。

扫描件为什么难搞？先弄懂 OCR 在做什么

先解释一个概念：OCR（光学字符识别），就是把图片里的字"认"出来，转成可编辑的文本。扫描版 PDF 本质是一张张图片，里面没有文字层，所以搜索引擎抓不到、鼠标也选不中——这就是"扫描版 PDF 转文字"难倒一片人的根源。

处理这类文件通常有三个坎：低清扫描件字迹糊、PDF 里图文混杂、多栏排版顺序错乱。Umi-OCR 的应对思路很直接——内置离线识别引擎，再加一套排版解析逻辑，把"认字"和"理顺顺序"一次解决。

上手体验：绿色软件，解压就走

Umi-OCR 不需要安装，下载.7z压缩包解压后，双击Umi-OCR.exe就能启动（详见仓库 README.md）。第一次打开，界面会自动跟随你的系统语言；想手动调整，到「全局设置 → 语言/Language」即可。它自带 PaddleOCR 等离线引擎，整个识别过程不需要联网——对处理合同、病历这类敏感材料，这一点尤其让人安心。

界面语言跟随系统自动切换，内置多国语言识别库，默认语种之外也能按需扩展

三步完成批量 PDF 转文字

实际操比想象中简单，全程就三步：

添加文件：打开「文档识别」标签页，把 PDF 拖进去。这里不止支持 PDF，xps、epub、mobi 等格式也能读（一共六种）。
选模式和输出：纯扫描版选「整页强制 OCR」逐页识别；本身带文字层的 PDF 选「仅文本拷贝」秒出结果；图文混杂的文档用「混合模式」最稳妥。输出格式按用途挑：双层 PDF 导出适合存档，txt 适合直接编辑，jsonl 适合做数据统计。
开始任务：点一下开始按钮，进度条走完，输出目录里就是成品。

批量识别页支持多文件同时处理，右侧记录区可即时查看和编辑识别结果

我拿一份 200 页的扫描版行业报告实测：设置好后让它自己跑，期间完全不用守着，这点对批量用户非常友好。

真正拉开差距的 4 个设置

同样是识别，效果差距往往来自这几个选项：

忽略区域：它可不止用来去水印。把页眉页脚、广告条框起来，批量处理学术论文时能少掉一大半干扰文字。
页面范围：只需要某几页时，直接填1-5,10-15这类区间，省下无关页面的识别时间。
输出格式：要存档选双层 PDF（图片上叠一层透明文字，可搜索可复制），要编辑选 txt，要做统计选 jsonl。
排版解析方案：多栏论文用「多栏-按自然段换行」，代码截图用「单栏-保留缩进」，结果的顺序和结构会立刻顺眼不少。

避坑清单：这些弯路我替你走过

分辨率不是越高越好。过度放大只会放大噪点，图像边长控制在 2880 像素以内，质量与速度最平衡。
忽略区域画大不画小。框要完全包住水印可能出现的位置，否则漏网文字照样混进结果。
内存小就调低并行任务。8GB 内存的电脑建议并行任务数设为 2，批量多了不容易卡。
混合内容别硬选单一模式。既有扫描图又有原生文本的 PDF，交给「混合模式」最省事。

进阶玩法：命令行与 HTTP 接口

如果你是开发者，Umi-OCR 还留了后门：命令行调用和HTTP 接口，文档分别见docs/README_CLI.md与docs/http/api_doc.md。

# 命令行批量处理示例 Umi-OCR --doc --path "D:/scans" --output "D:/results" \ --format pdfLayered,txt --page_range "1-10"

# HTTP 接口上传文档 import requests r = requests.post('http://127.0.0.1:1224/api/doc/upload', files={'file': open('report.pdf', 'rb')}) task_id = r.json()['task_id']

把它接进自动化脚本，扫描件一到指定文件夹就自动转文字，整套流程基本可以无人值守。