ocrmypdf-aih-infra 0.1.0

OCRmyPDF-AIH — batch PDF OCR pipeline with Tesseract/Calamari backends, based on OCRmyPDF

OCRmyPDF-AIH

批量 PDF OCR 处理管线，支持 Tesseract / Calamari 双后端

---

项目定位

OCRmyPDF-AIH 是 AIH-Infra（人文学科人工智能基础设施） 的 OCR 处理组件，基于 OCRmyPDF v17.2.0 构建。

┌─────────────────────────────────────────────────┐
│  应用层                                          │
│  朴素 RAG → Graph RAG → Agent RAG               │
├─────────────────────────────────────────────────┤
│  0.5 层：經緯·Contexture                         │
│  页码锚点 · 边注识别 · 行内注 · 模板 · 配置共享   │
├─────────────────────────────────────────────────┤
│  OCR 层：OCRmyPDF-AIH  ← 本项目                 │
│  Tesseract · Calamari · 批量处理 · Web UI        │
├─────────────────────────────────────────────────┤
│  基础层：PDF 解析                                │
│  Ghostscript · pdftext · pypdfium2              │
└─────────────────────────────────────────────────┘

OCRmyPDF-AIH 为扫描版 PDF 添加可搜索的 OCR 文字层，输出标准 PDF/A 文件。这些文件随后可被 經緯·Contexture 进一步处理为带页码锚点的结构化 Markdown，进入学术 RAG 检索流程。

相比上游 OCRmyPDF 的增强

特性	OCRmyPDF	OCRmyPDF-AIH
OCR 后端	Tesseract	Tesseract + Calamari GPU
使用方式	CLI	CLI + Streamlit Web UI
批量处理	逐文件命令行	Web UI 多文件批量 + ZIP 打包下载
进度显示	文件级	页面级实时进度
语言选择	手动指定	自动检测已安装语言包
参数调优	CLI 参数	可视化面板（OCR 模式、预处理、输出格式）

快速开始

环境要求

• Python 3.11 / 3.12 / 3.13
• Windows 10/11、macOS 或 Linux
• Ghostscript、Tesseract OCR

一键安装

Windows： 双击 install.bat

macOS：

chmod +x install.command start.command install.sh start.sh
# 然后双击 install.command

Linux：

chmod +x install.sh start.sh
./install.sh

安装脚本会自动创建虚拟环境、安装依赖，并尝试自动安装 Tesseract（失败时提示手动安装）。

pip 安装

pip install ocrmypdf-aih-infra

启动 Web UI

Windows： 双击 start.bat

macOS / Linux： ./start.sh

浏览器访问 http://localhost:6106

Calamari GPU 后端

OCRmyPDF-AIH 支持通过远程 API 调用 Calamari OCR GPU 服务，适用于需要高精度历史文献识别的场景。

在 Web UI 侧边栏选择 Calamari 后端，填入服务地址即可使用。

上游功能

OCRmyPDF-AIH 完整保留了 OCRmyPDF 的所有功能：

• 生成可搜索的 PDF/A 文件
• 支持 100+ 语言（Tesseract 语言包）
• 页面旋转校正、倾斜校正、图像清理
• 多核并行处理
• 无损 OCR 层注入
• PDF 图像优化
• 插件系统

CLI 用法与上游完全兼容：

ocrmypdf -l chi_sim+eng --deskew input.pdf output.pdf

详细文档参见 OCRmyPDF 官方文档。

关于 AIH-Infra

AIH-Infra（人文学科人工智能基础设施） 致力于为人文学科研究者提供可追溯、可验证、可传承的 AI 工具链。

• 材料线：經緯·Contexture（文献数字化与结构化）
• OCR 层：OCRmyPDF-AIH（本项目，PDF OCR 处理）
• 系统线：学术 RAG 知识库与检索系统

核心原则：每一条 AI 生成的回答，都必须能够返回原书的那一页。

许可证

本项目基于 Mozilla Public License 2.0 (MPL-2.0) 发布，与上游 OCRmyPDF 保持一致。

致谢

• OCRmyPDF — James R. Barlow 及贡献者
• Tesseract OCR
• Calamari OCR

作者

Güriedrich & Baireinhold — AIH-Infra