一款优秀的开源项目，PDF扫描件识别也超容易

图片和扫描件，几乎是所有文本处理场景里绕不开的一道坎。无论是业界还是学术界，这都算得上是个老难题，同时也是当前优化的大热门。今天要聊的这个开源项目，恰好就是冲着这个痛点来的——它在 GitHub 上已经拿到了 24.9k 的 star，而且涨势相当猛。简单说，它把多种 OCR 能力打包在了一起，用起来很高效。

项目特点

• 免费
  ：代码全部开源，没有任何隐藏费用。

• 方便
  ：解压即用，离线运行，不依赖网络。

• 高效
  ：自带高速离线 OCR 引擎，内置多语言识别库。

• 灵活
  ：支持命令行、HTTP 接口等外部调用方式。

• 功能全面
  ：截图 OCR、批量 OCR、PDF 识别、二维码识别、公式识别，一次搞定。

安装使用

软件发布包是 .7z 压缩包或 .7z.exe 自解压包。自解压包的好处是，即使电脑没装解压软件也能直接解压。整个软件无需安装，解压后双击 Umi-OCR.exe 就能启动。

模块举例

文档识别

• 支持格式：pdf, xps, epub, mobi, fb2, cbz。

• 对扫描件进行 OCR，或提取原有文本，可输出为双层可搜索 PDF。

• 支持设定忽略区域，比如排除页眉页脚的文字干扰。

• 可以设置任务完成后自动关机或休眠，省心省力。

公式识别

Umi-OCR 的公式识别能力基于 Pix2Text 实现。Pix2Text 本身也是一个开源 OCR 项目，专门处理文字和数学公式混排的图片。

截图OCR

打开这个功能后，用快捷键就能快速唤起截图，识别图中的文字。操作很直观：左侧的图片预览栏可以直接用鼠标划选复制，右侧的识别记录栏支持编辑文字，还可以划选多条记录批量复制。另外，从别处复制图片后，直接粘贴到 Umi-OCR 里也能识别。

文本后处理

关于 OCR 文本后处理中的排版解析方案，它能把识别结果的排版和顺序整理得更符合阅读习惯。预设方案包括：

• 多栏-按自然段换行：适合大多数场景，自动识别多栏布局，按自然段规则换行。

• 多栏-总是换行：每段语句都强制换行。

• 多栏-无换行：把所有语句合并到同一行。

• 单栏-按自然段换行 / 总是换行 / 无换行：与多栏类似，但不区分多栏布局。

• 单栏-保留缩进：适合解析代码截图，能保留行首缩进和行中空格。

• 不做处理：直接输出 OCR 引擎的原始结果，默认每段都换行。

以上方案均能自动处理横排和竖排（从右到左）的排版，兼容性很不错。

项目仍在持续迭代和优化中，后续还会有更多实用功能加入。