OCRmyPDF (Alpine 基础镜像)

镜像概述

本镜像基于Alpine Linux构建，集成OCRmyPDF工具与Tesseract OCR引擎，提供轻量级PDF文件OCR处理能力。通过对扫描生成的图像PDF进行文本识别，自动添加可搜索、可复制的文本层，同时保留原始文档布局与格式，适用于文档数字化、档案管理等场景。

核心功能与特性

• 轻量级基础：基于Alpine Linux，镜像体积小（约200MB），启动快速，资源占用低
• 强大OCR引擎：集成Tesseract OCR引擎，支持高精度文本识别
• 多语言支持：通过Tesseract语言包支持40+种语言（如英语、中文、日语、法语等）
• 布局保留：OCR处理后严格保留原始PDF的排版、图像与格式
• 智能处理：自动检测已包含文本层的PDF，跳过重复OCR操作
• 可配置输出：支持调整压缩级别、分辨率、输出质量等参数

使用场景

• 扫描PDF转换：将扫描仪生成的图像PDF转换为可搜索PDF（如合同、发票、书籍扫描件）
• 文档数字化：企业/个人档案管理系统中，为纸质文档扫描件添加文本检索能力
• 学术与研究：处理论文、期刊扫描件，支持关键词搜索与内容提取
• 图书馆与档案：历史文献、档案数字化项目中，构建可检索的电子文档库

使用方法

基本用法

通过挂载本地目录至容器/data目录，指定输入PDF与输出PDF路径即可执行OCR处理：

docker run --rm -v $(pwd):/data ocrmypdf-alpine input.pdf output.pdf

说明：--rm 确保容器退出后自动删除；-v $(pwd):/data 将当前目录挂载至容器内/data目录，实现文件共享

常用参数示例

指定识别语言

通过-l参数指定1种或多种识别语言（语言代码见Tesseract语言列表）：

# 中英双语识别
docker run --rm -v $(pwd):/data ocrmypdf-alpine -l eng+chi_sim input.pdf output.pdf

优化输出质量

调整压缩级别与分辨率，平衡文件大小与清晰度：

# 高分辨率输出（300dpi）+ 低压缩
docker run --rm -v $(pwd):/data ocrmypdf-alpine --dpi 300 --output-type pdfa --jpeg-quality 90 input.pdf output.pdf

批量处理

通过shell命令批量处理目录内所有PDF文件：

for file in ./input/*.pdf; do
  docker run --rm -v $(pwd):/data ocrmypdf-alpine "input/$(basename $file)" "output/$(basename $file)" -l eng
done

环境变量配置

扩展配置

添加额外语言包

默认包含英语语言包，如需其他语言，可通过挂载本地Tesseract语言文件实现：

1. 从Tesseract tessdata仓库下载语言包（如chi_sim.traineddata中文包）
2. 挂载语言文件至容器Tesseract数据目录：

docker run --rm -v $(pwd):/data -v $(pwd)/tessdata:/usr/share/tesseract-ocr/4.00/tessdata ocrmypdf-alpine -l chi_sim input.pdf output.pdf

Docker Compose配置

创建docker-compose.yml简化重复任务：

version: '3'
services:
  ocrmypdf:
    image: ocrmypdf-alpine
    volumes:
      - ./input:/data/input    # 输入PDF目录
      - ./output:/data/output  # 输出PDF目录
      - ./tessdata:/usr/share/tesseract-ocr/4.00/tessdata  # 自定义语言包
    command: input/scan.pdf output/scan_ocr.pdf -l eng+chi_sim --dpi 300

执行：docker-compose up

注意事项

• 文件权限：确保挂载目录对容器内用户有读写权限（建议本地目录权限设置为755）
• 大文件处理：处理超过100页的PDF时，建议通过--memory=4g限制容器内存使用
• 图像质量：低分辨率扫描件（<200dpi）可能导致OCR识别准确率下降，建议预处理提升图像清晰度