webuni/ocrmypdf

OCRmyPDF Docker镜像（minidocks/ocrmypdf）

镜像概述

本镜像封装OCRmyPDF工具及相关依赖（ghostscript、tesseract、unpaper），通过SSH协议实现容器间协同，为扫描生成的PDF文件添加OCR文本层，将不可搜索的扫描文档转换为可检索的PDF格式。

核心功能

• 为扫描PDF注入OCR文本层，支持文档内容全文搜索
• 集成ghostscript处理PDF文件格式转换与优化
• 使用tesseract进行光学字符识别（示例默认英文模型）
• 通过unpaper预处理图像，提升OCR识别准确率

使用场景

• 办公文档数字化：将纸质合同、发票扫描件转为可搜索版本
• 学术资料管理：优化扫描版论文、书籍的检索效率
• 档案数字化：为历史扫描档案添加检索能力

配置说明

推荐使用docker-compose管理容器集群，步骤如下：

1. 创建docker-compose.yml文件：

yaml
version: '3.4'

x-base: &base
  volumes:
    - .:/app  # 挂载当前目录到容器工作目录
    - ./tmp:/tmp  # 挂载临时文件目录
  working_dir: /app
  command: sshd  # 启动SSH服务支持容器间通信

services:
  ocrmypdf:
    <<: *base
    image: minidocks/ocrmypdf
    links: [tesseract, unpaper, gs]
    environment:
      ALIAS_TESSERACT: ssh tesseract tesseract
      ALIAS_UNPAPER: ssh unpaper unpaper
      ALIAS_GS: ssh gs gs

  gs:
    <<: *base
    image: minidocks/ghostscript

  tesseract:
    <<: *base
    image: minidocks/tesseract:4-eng
    environment: {OMP_THREAD_LIMIT: 1}

  unpaper:
    <<: *base
    image: minidocks/unpaper

2. 执行OCR处理命令：

bash
docker-compose run --rm ocrmypdf -l eng input.pdf output.pdf

镜像标签