geimist/ocrmypdf-polyglot

OCRmyPDF 全语言支持镜像

镜像概述

本镜像基于官方jbarlow83/ocrmypdf x86_64镜像构建，在保留原版OCRmyPDF核心功能的基础上，通过预装tesseract-ocr-all软件包，实现了对所有语言的PDF文件文字识别（OCR）与转换支持。可将扫描版PDF（图片PDF）转换为可搜索、可复制的文本层PDF，适用于多语言文档处理场景。

核心功能与特性

• 完整继承官方功能：包含OCRmyPDF的全部原生能力，如PDF优化、文字层嵌入、文件压缩、分辨率调整等
• 全语言支持：通过预装tesseract-ocr-all，支持Tesseract OCR引擎兼容的所有语言（包括中文、英文、日文、韩文、德文、法文等）
• 架构兼容性：基于x86_64架构构建，适配主流64位Linux系统及容器运行环境
• 即开即用：无需额外配置语言包，拉取镜像后可直接处理多语言PDF文件

使用场景

• 多语言学术论文、报告的数字化归档（如包含中英日韩等多语言的文档）
• 国际化企业的文档管理系统（需处理多语言合同、手册等扫描件）
• 图书馆、档案馆的多语言文献数字化项目
• 个人用户处理多语言扫描PDF（如跨国票据、多语言书籍章节等）

使用方法与配置说明

基本使用命令

通过docker run命令运行容器，挂载本地目录以访问待处理PDF文件：

bash
docker run --rm -v /本地文件目录:/data [镜像名称] ocrmypdf [输入文件] [输出文件]

参数说明：

• --rm：容器运行结束后自动删除，避免残留临时容器
• -v /本地文件目录:/data：将本地存放PDF文件的目录挂载到容器内的/data目录，实现文件共享
• [镜像名称]：实际使用的Docker镜像名称（需替换为具体镜像标签）
• ocrmypdf [输入文件] [输出文件]：OCRmyPDF核心命令，指定容器内/data目录下的输入PDF和输出PDF路径

多语言识别示例

处理包含简体中文、英文和日文的扫描PDF：

bash
docker run --rm -v /home/user/pdfs:/data my-ocr-image ocrmypdf --language chi_sim+eng+jpn input_scan.pdf output_ocr.pdf

关键参数：

• --language chi_sim+eng+jpn：指定识别语言组合（chi_sim=简体中文，eng=英文，jpn=日文），可根据实际需求调整语言代码（完整语言代码列表见https://github.com/tesseract-ocr/tesseract/blob/main/doc/tesseract.1.asc#languages%EF%BC%89

高级配置

可通过OCRmyPDF原生参数调整处理效果，如：

• --dpi 300：设置扫描分辨率（默认300 DPI）
• --compress jpeg：指定图片压缩方式
• --output-type pdfa：输出PDF/A归档格式

示例（生成高分辨率PDF/A格式的多语言文档）：

bash
docker run --rm -v /home/user/pdfs:/data my-ocr-image ocrmypdf --language chi_sim+eng --dpi 400 --output-type pdfa input.pdf output_archive.pdf

注意事项

• 确保本地挂载目录具有读写权限，避免容器因权限不足导致文件处理失败
• 大型PDF文件（如超过100页）处理可能需要较多内存，建议根据实际情况通过--memory参数限制容器内存使用
• 语言代码需严格遵循Tesseract标准（区分大小写），错误代码会导致识别失败
• 输出文件默认保存在容器内/data目录，需通过挂载目录获取到本地系统