pdf-ocr-searchable

name	pdf-ocr-searchable
description	把扫描版/图片版 PDF 在本地 OCR 成可搜索、可复制的 PDF，保留原始版式，中英文（含繁体、竖排、日韩）皆可，引擎为 Apple Vision，离线秒级。默认保真档内嵌图像逐字节不变，仅叠加隐形文字层；已有文字层的页自动跳过，支持整目录批量；--md 另出层级化 Markdown 纯文字版，已可复制的 PDF 则跳过 OCR 直接生成。当用户说「这个 PDF 不能复制/选不中字」「扫描件转文字」「PDF OCR」「让 PDF 可搜索」「把扫描的论文弄成能复制的」「searchable PDF」「把 PDF 转成 Markdown/提取全文」时使用。

pdf-ocr-searchable

一切经由脚本，不要手写 ocrmypdf 命令行（脚本内置语言码归一、跳过已有文字层、livetext 私有 API 失效自动回退 accurate、逐文件字数验收）：

S=~/.agents/skills/pdf-ocr-searchable/scripts/ocr_pdf.sh

# 第一步：分诊。NEED=要处理，HAS=已可复制
$S --check <PDF 或目录>

# 第二步：OCR。输出 原名.ocr.pdf 不覆盖原件；目录则递归批量
# --md 另产出同名 .md 纯文字版（脚本按行高+章节正则还原标题层级，按段首缩进
#      把扫描换行并回整段并剔除书眉/页码/边码，勿手工转换）。
#      已可复制的 PDF（HAS）自动跳过 OCR、直接从源生成 md——只要 Markdown 也走这条命令
$S [--preset ...] [--lang chi_sim] [--md] <PDF 或目录>

已有 .ocr.pdf 且比源新时自动跳过 OCR（增量），重跑 --md 秒级完成。

唯一要动脑的决策是选预设，三档是真实取舍不能兼得：

--preset	何时用	对原图
archive（默认）	档案/论文/合同，要留底的一切	逐字节不变，只加文字层
deskew	手机拍的、扫歪的	栅格化以矫正倾斜
compact	只求体积小	重新编码，约省 15%

--lang 默认 chi_sim；zh-Hans/en/ja 等写法脚本会自动归一，chi_sim+eng 叠加会被拒（中文模型本就能识别页内英文）。其余旗标看 $S --help。

注意两点：英文占比高的文档，交付前抽查专有名词、页眉、参考文献（中文模型识别英文是实践表现，非正式双语支持）；识别字数异常少的文件脚本会标 ⚠️，需人工抽查。

单张图片 / 只要文字不要 PDF

mac-ocr 截图.png                 # 文字直接进终端
mac-ocr 论文.pdf --format jsonl  # 带坐标结构化输出

不要用 mac-ocr searchable-pdf 产出 PDF——其文字层英文单词间空格会丢，换语言参数也治不了；出 PDF 一律走本脚本。

新机器重建依赖

uv tool install --python 3.12 ocrmypdf --with ocrmypdf-appleocr  # 插件必须与主程序同环境；3.12 必需（3.14 装不上）
brew install ghostscript
npm install -g mac-ocr   # 可选