HoraceLuBFA/pdf-ocr-searchable

Latest recorded source activity: November 10, 2026 at 01:45

SkillsMP catalog refreshed: November 12, 2026 at 12:52

skills collected: 1

GitHub stars: 1
GitHub forks: 0

Install with an AI assistant

Copy this prompt into the AI assistant you're using.

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/HoraceLuBFA/pdf-ocr-searchable.

Repository README

Repository README source: README.md

Read the source README

Expand full README

# pdf-ocr-searchable 在 Mac 上把扫描版 PDF 转为**可搜索、可复制的文档**，并按需提取为 Markdown。基于 Apple Vision / Live Text，本地离线处理，适合论文、书籍和扫描资料整理。可作为 Agent Skill 使用，也可直接运行命令行脚本。[下载 V1.0.1](https://github.com/HoraceLuBFA/pdf-ocr-searchable/releases/tag/V1.0.1) **[English](./README.en.md) | 中文** ## 功能 - **可搜索 PDF**：保留页面版式，添加隐形文字层；默认保真模式不重新编码扫描图像。 - **Markdown 提取**：根据文字位置和章节特征整理标题、段落，合并扫描换行并过滤部分页眉、页码；已有文字层的 PDF 可直接提取。 - **多语言识别**：支持简体中文、繁体中文、英文、日文、韩文等，具体支持范围取决于识别模式和系统环境。 - **批量与增量处理**：支持多个文件及目录输入；已有较新产物时跳过重复 OCR。 - **保真、去斜与压缩**：按资料用途选择处理预设。 - **自动红框修复**：清理受支持的 AppleOCR 调试框，也可单独修复已有产物，并保留文件权限及 macOS Finder 标签等扩展属性。 ## 安装需要 macOS、[Homebrew](https://brew.sh/) 和 [uv](https://docs.astral.sh/uv/)。通过 skills CLI 安装还需 Node.js / npx。Live Text 模式依赖系统支持；如不可用，可选择 `--mode accurate`。 ### 安装 Skill 通过 [skills CLI](https://skills.sh) 安装，并按提示选择使用的 Agent： ```bash npx skills add HoraceLuBFA/pdf-ocr-searchable ``` 也可克隆仓库到一个尚不存在的目录，作为独立命令行工具使用： ```bash git clone https://github.com/HoraceLuBFA/pdf-ocr-searchable.git cd pdf-ocr-searchable bash scripts/ocr_pdf.sh --help ``` ### 官网完整包与安装指南 [官网详情页](https://www.lumenghe.com/skills/pdf-ocr-searchable/)提供双语说明与完整 ZIP。[INSTALL.md](./INSTALL.md)列明安装及验证步骤，[纯文本指南](https://www.lumenghe.com/skills/pdf-ocr-searchable/install.txt)附当前下载链接与 SHA-256。安装包文件与标示的 GitHub 来源提交一致。 ### 安装依赖 OCRmyPDF 与 AppleOCR 插件需安装在同一 Python 环境。以下命令使用 Python 3.12： ```bash uv tool install --python 3.12 ocrmypdf --with ocrmypdf-appleocr brew install ghostscript poppler ``` 检查插件是否可用： ```bash ocrmypdf --plugin ocrmypdf_appleocr --help 2>&1 | grep -q appleocr && echo OK ``` ## 快速上手以下示例以 Skill 安装在 `~/.agents/skills/pdf-ocr-searchable` 为例；如安装到其他位置，请相应修改路径。 ```bash S=~/.agents/skills/pdf-ocr-searchable/scripts/ocr_pdf.sh # 检查文件是否需要 OCR "$S" --check "论文.pdf" # 生成论文.ocr.pdf，保留原件 "$S" "论文.pdf" # 同时输出论文.md "$S" --md "论文.pdf" # 批量处理目录中的 PDF "$S" ~/Scans/ # 去斜并识别繁体中文 "$S" --preset deskew --lang chi_tra "扫描件.pdf" ``` 已有文字层的 PDF 会按脚本的文字密度判据跳过 OCR；使用 `--md` 时直接提取 Markdown。已有输出文件比原件新时会复用该产物。需要重新识别或更换处理参数时使用 `--force`，它会重做已有文字层并重写目标产物。 ## 选择处理方式 | 预设 | 适用需求 | 图像处理 | |---|---|---| | `archive`（默认） | 论文、书籍、档案留存 | 保留扫描图像，不重新编码 | | `deskew` | 扫歪或拍歪的页面 | 栅格化页面并矫正倾斜 | | `compact` | 优先控制文件体积 | 尝试优化、重新编码图像，压缩效果取决于原文件 | ```bash "$S" --preset compact "资料.pdf" ``` 默认输出到原文件所在目录，以 `.ocr.pdf` 结尾。可用 `--outdir` 指定输出目录，或用 `--suffix` 修改后缀： ```bash "$S" --outdir "./output" --suffix ".searchable" "资料.pdf" ``` ## 语言与识别模式默认语言为简体中文 `chi_sim`，可通过 `--lang` 指定： | 语言 | 参数 | |---|---| | 简体中文 | `chi_sim` 或 `zh-Hans` | | 繁体中文 | `chi_tra` 或 `zh-Hant` | | 英文 | `eng` 或 `en` | | 日文 | `jpn` 或 `ja` | | 韩文 | `kor` 或 `ko` | `--lang` 每次选择表中一种语言。中文模型可识别部分页内英文，英文占比较高时请抽查专有名词和参考文献。 `--mode` 可选 `livetext`（默认）、`accurate`、`fast`。部分 Live Text 故障会自动回退到 `accurate`；也可直接指定该模式。`fast` 的语言支持范围较窄，不适合中文文档。 ```bash "$S" --lang eng --mode accurate "paper.pdf" ``` ## 修复 OCR 调试红框 OCR 后会自动清理受支持的 AppleOCR 调试框。处理已有产物时，直接指定要修复的 PDF： ```bash # 只检测，不修改 "$S" --strip-boxes --dry-run "论文.ocr.pdf" # 修复该文件 "$S" --strip-boxes "论文.ocr.pdf" # 批量修复目录中的 *.ocr.pdf "$S" --strip-boxes ~/Scans/ ``` 修复支持普通表单和未签名的签名域；处理加密或已签名文件时保留原件。清理失败会报告错误，并停止该文件后续 Markdown 生成。适用格式与排查方法见[红框兼容性说明](references/red-boxes.md)。 ## 使用提示 - OCR 和 Markdown 排版还原可能存在误差，重要内容请对照原页核查。目录、索引和复杂标题尤其需要检查。 - `--check` 根据文字密度判断是否需要 OCR；少量文字页和扫描页混排时，仍需抽查正文。 - 识别字数很少时脚本会提示人工检查；验收时抽查正文、专有名词和参考文献。 - 默认模式保留扫描图像并重写 PDF 容器，原始资料以源 PDF 留存。 - 红框清理针对已知 AppleOCR 格式；插件升级后若提示格式不兼容，请参阅兼容性说明。全部参数可运行 `"$S" --help` 查看。 ## 项目文件 ```text SKILL.md # Agent 技能入口 scripts/ocr_pdf.sh # PDF OCR 与批量处理入口 scripts/pdf_to_md.py # PDF 文字层转 Markdown scripts/strip_ocr_boxes.py # AppleOCR 调试红框修复 references/red-boxes.md # 修复边界与排查 tests/test_red_boxes.py # 修复功能回归测试 ``` ## 致谢 - [OCRmyPDF](https://github.com/ocrmypdf/OCRmyPDF)：PDF OCR 处理管道。 - [OCRmyPDF-AppleOCR](https://github.com/mkyt/OCRmyPDF-AppleOCR)：Apple Vision / Live Text 引擎插件。 - [mac-ocr](https://github.com/privatenumber/mac-ocr)：可选的单图 OCR 工具。 - [Poppler](https://poppler.freedesktop.org/)：PDF 文字和页面布局提取。 ## 许可 [MIT](LICENSE)

Loading the repository README…

Skills in this repository

classification pending

skill

occupation

description

updated

pdf-ocr-searchable

unclassified

在 macOS 本地将扫描 PDF OCR 为可搜索、可复制的 PDF，或提取 PDF 全文为 Markdown；支持批量处理和 AppleOCR 调试红框修复。用于扫描件无法选中文字、PDF OCR、PDF 转 Markdown 等请求。

Source text: Chinese

2026-11-10

Showing 1 of 1 collected skill.