Chuyển đến nội dung

ocrmypdf / OCRmyPDF

OCRmyPDF

Biến PDF scan thành PDF có lớp chữ, tìm kiếm và sao chép được, chỉ với một lệnh

OCRmyPDF là chương trình dòng lệnh thêm một lớp chữ (OCR) vào PDF scan hoặc ảnh để bạn tìm kiếm và copy chữ được, mà vẫn giữ nguyên hình ảnh gốc. Nó dùng bộ máy Tesseract bên dưới, xuất ra PDF/A để lưu trữ lâu dài, chạy trên Windows, macOS, Linux và có ảnh Docker.

  • 35.328 sao
  • 2.458 fork
  • Python
  • Cập nhật hôm nay
  • MPL 2.0
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Dòng lệnh (CLI)
Chạy trên
Windows, macOS, Linux, Docker, Python
Chi phí
Miễn phí hoàn toàn

Trải nghiệm khi dùng OCRmyPDF

Bạn có một file PDF do máy scan tạo ra: nhìn thì là chữ nhưng thực chất chỉ là ảnh nên không tìm kiếm hay copy được. Sau khi cài OCRmyPDF, bạn mở Terminal và gõ ocrmypdf kèm tên file vào và tên file ra. Chương trình đọc từng trang, nhận dạng chữ rồi giấu chữ đó ngay dưới ảnh, nên bạn chọn hay copy được đúng vị trí chữ trên trang.

Trang trông y như cũ, nhưng giờ bạn bấm Ctrl+F tìm tên khách hàng hay số hợp đồng là thấy kết quả. OCRmyPDF còn có thể xoay lại trang bị ngược, làm thẳng trang scan bị nghiêng, đặt tiêu đề và dùng nhiều lõi CPU để chạy nhanh hơn với file dài hàng trăm trang. Mặc định kết quả là PDF/A, định dạng dành cho lưu trữ lâu dài.

Chương trình cũng chạy ổn trong các quy trình tự động: nhiều công cụ lưu trữ như Paperless-ngx dùng nó bên trong. Bạn có thể viết một dòng lệnh duyệt cả thư mục scan và OCR hàng loạt, dữ liệu vẫn nằm trên máy của bạn.

Tính năng nổi bật

Thêm lớp chữ vào PDF scan

Chữ được đặt đúng vị trí dưới ảnh gốc, giúp tìm kiếm và copy chính xác.

Giữ nguyên độ phân giải ảnh

Cố gắng chèn lớp chữ mà không làm hỏng nội dung còn lại và thường còn giảm dung lượng nhờ tối ưu ảnh.

Xoay, làm thẳng, làm sạch trang

Có tuỳ chọn xoay trang bị ngược, làm thẳng trang nghiêng và làm sạch ảnh trước khi nhận dạng.

Hơn 100 ngôn ngữ, ghép nhiều ngôn ngữ

Dùng Tesseract nên đọc được nhiều ngôn ngữ; ghi -l eng+fra để xử lý tài liệu song ngữ.

Xuất PDF/A

Tạo ra PDF/A hợp lệ cho nhu cầu lưu trữ lâu dài và kiểm tra tính hợp lệ của file vào và ra.

Xử lý file lớn, nhiều lõi

Chia việc cho nhiều lõi CPU và xử lý được tài liệu hàng nghìn trang.

Tận dụng OCRmyPDF vào việc gì?

Kế toán, nhân sự, văn phòng

Biến hợp đồng, hoá đơn scan thành PDF tìm kiếm được

Chạy qua file scan để về sau tìm theo tên khách hay mã số mà không phải mở từng trang.

Sinh viên, người làm thư viện

Số hoá sách, giáo trình scan

Thêm lớp chữ vào sách scan để copy trích dẫn và tìm từ khoá.

Người dựng hệ thống lưu trữ, đội AI

Chuẩn bị tài liệu cho kho lưu trữ hoặc AI

Tạo PDF có chữ trước khi đưa vào hệ thống như Paperless-ngx hay công cụ trích xuất văn bản.

Lập trình viên, IT

OCR hàng loạt bằng script

Gọi lệnh trong vòng lặp hoặc quy trình tự động để xử lý cả thư mục.

Cần chuẩn bị gì?

  • Windows 64-bit, macOS, Linux hoặc FreeBSD; cũng có ảnh Docker cho x64 và ARM.
  • Cần Tesseract OCR; nên cài thêm Ghostscript vì cần cho một số chuyển đổi PDF/A.
  • Gói ngôn ngữ của Tesseract cho tiếng Việt hoặc ngôn ngữ bạn cần.
  • Biết mở Terminal hoặc PowerShell và gõ lệnh cơ bản.

Hướng dẫn cài đặt chi tiết

Cài trên Windows

  1. Mở PowerShell và cài Tesseract cùng uv (công cụ cài gói Python) bằng winget theo hướng dẫn chính thức.

    PowerShell
    winget install -e --id tesseract-ocr.tesseract
    winget install -e --id astral-sh.uv
  2. Ghostscript không có trên winget: tải thủ công ở trang ghostscript.com/releases/gsdnld.html, cài bản 64-bit. Tài liệu khuyến nghị cài vì cần cho một số chuyển đổi PDF/A.

  3. Mở cửa sổ PowerShell mới (để PATH cập nhật) rồi cài OCRmyPDF.

    PowerShell
    uv tool install ocrmypdf
  4. Mở thêm một cửa sổ mới và kiểm tra. Nếu báo không tìm thấy lệnh, chạy uv tool update-shell rồi mở cửa sổ mới.

    PowerShell
    ocrmypdf --version
  5. Gói ngôn ngữ tiếng Việt cho Tesseract cần được cài thêm (xem tài liệu Tesseract, file vie.traineddata).

Cài trên macOS

  1. Cài bằng Homebrew.

    Terminal
    brew install ocrmypdf
  2. Cài thêm các gói ngôn ngữ của Tesseract.

    Terminal
    brew install tesseract-lang
  3. Kiểm tra lại.

    Terminal
    ocrmypdf --version

Cài trên Ubuntu / Debian

  1. Cài từ kho phần mềm.

    Terminal
    sudo apt install ocrmypdf
  2. Xem các gói ngôn ngữ có sẵn rồi cài gói bạn cần (README lấy tiếng Trung giản thể làm ví dụ; với tiếng Việt thường là tên gói theo mẫu tesseract-ocr-<mã>, hãy kiểm tra bằng lệnh tìm kiếm dưới).

    Terminal
    apt-cache search tesseract-ocr
  3. Kiểm tra.

    Terminal
    ocrmypdf --version

Dùng thử lần đầu

  1. Đặt một PDF scan, ví dụ scan.pdf, vào thư mục đang mở Terminal.

  2. Chạy OCR với tiếng Việt (nếu đã cài gói ngôn ngữ) và ghi ra file mới để bản gốc không bị đụng tới.

    Terminal
    ocrmypdf -l vie scan.pdf scan-ocr.pdf
  3. Mở scan-ocr.pdf bằng trình đọc PDF, bấm Ctrl+F tìm một từ trong trang và thử bôi đen chữ để sao chép.

  4. Với bản scan hơi nghiêng, thêm tuỳ chọn làm thẳng trang.

    Terminal
    ocrmypdf --deskew -l vie scan.pdf scan-ocr.pdf
  5. Chuyển một ảnh thành PDF có chữ.

    Terminal
    ocrmypdf anh.jpg anh-ocr.pdf

Mẹo dùng hay

  • Luôn ghi ra file mới khi mới thử để giữ lại bản gốc; chỉ ghi đè cùng tên khi bạn đã yên tâm (chương trình chỉ sửa file khi thành công).
  • Ghép ngôn ngữ cho tài liệu lẫn tiếng Việt và tiếng Anh bằng dấu cộng, ví dụ -l vie+eng, nếu cả hai gói ngôn ngữ đã cài.
  • Chạy ocrmypdf --help để xem hết tuỳ chọn như xoay trang, đặt tiêu đề, số lõi CPU (--jobs).

Lưu ý và hạn chế

  • Chất lượng phụ thuộc Tesseract và ảnh scan: chữ viết tay, ảnh mờ hay bố cục phức tạp sẽ cho kết quả kém; tiếng Việt có dấu nên cần đọc soát lại.
  • Không có giao diện đồ hoạ; người không quen dòng lệnh có thể thấy khâu cài Tesseract và Ghostscript hơi rườm rà trên Windows.
  • Chỉ xử lý tài liệu bạn có quyền sử dụng; giấy phép phần mềm là MPL-2.0.

Câu hỏi thường gặp

OCRmyPDF có đọc tiếng Việt không?

Có, thông qua Tesseract, nhưng bạn phải cài gói ngôn ngữ tiếng Việt và truyền -l vie. Kết quả tốt khi bản scan rõ nét.

Có miễn phí và có gửi file lên mạng không?

Miễn phí và mã nguồn mở. Tài liệu của dự án nói nó giữ dữ liệu riêng tư; mọi xử lý diễn ra trên máy bạn.

Khác gì dùng Tesseract trực tiếp?

Tesseract chỉ đọc ảnh ra chữ. OCRmyPDF lo cả quy trình quanh file PDF: tách trang, xoay, làm thẳng, chèn lớp chữ đúng vị trí, tối ưu dung lượng và xuất PDF/A.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/ocrmypdf/OCRmyPDF.git

Repo tương tự nên xem

Tài liệu, OCR & hỏi đáp tri thức77,5K

Tesseract OCR

tesseract-ocr / tesseract

Bộ máy nhận dạng chữ (OCR) mã nguồn mở đọc chữ từ ảnh scan, hỗ trợ hơn 100 ngôn ngữ

VừaWindowsmacOSLinux
Tài liệu, OCR & hỏi đáp tri thức48,2K

Paperless-ngx

paperless-ngx / paperless-ngx

Hệ thống quản lý tài liệu tự cài: scan giấy tờ, tự OCR, gắn thẻ và tìm lại trong vài giây

VừaDockerLinuxWeb
Tài liệu, OCR & hỏi đáp tri thức96,8K

Stirling PDF

Stirling-Tools / Stirling-PDF

Bộ hơn 50 công cụ PDF: gộp, tách, ký, che thông tin, nén, OCR, chạy trên máy hoặc tự cài.

DễWindowsmacOSLinuxDocker+1

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Tài liệu, OCR & hỏi đáp tri thức

Tài liệu, OCR & hỏi đáp tri thức196K

MarkItDown

microsoft / markitdown

Công cụ của Microsoft đổi PDF, Word, Excel, PowerPoint và nhiều file khác thành Markdown cho AI đọc.

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức94,2K

RAGFlow

infiniflow / ragflow

Nền tảng tự cài giúp AI trả lời dựa trên tài liệu của bạn, có trích dẫn nguồn.

VừaDockerLinuxWeb
Tài liệu, OCR & hỏi đáp tri thức92,7K

PaddleOCR

PaddlePaddle / PaddleOCR

Bộ công cụ OCR của Baidu: đọc chữ trong ảnh, PDF và đổi tài liệu thành Markdown hoặc JSON.

KhóWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức83,7K

MinerU

opendatalab / MinerU

Đọc PDF, ảnh scan và file Office rồi xuất Markdown, giữ bảng, công thức và bố cục phức tạp.

VừaWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức70,6K

Docling

docling-project / docling

Chuyển PDF, Word, PowerPoint, Excel, HTML thành Markdown hoặc JSON gọn gàng để đưa cho AI đọc

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức57,6K

PrivateGPT

zylon-ai / private-gpt

Lớp API mã nguồn mở biến mô hình AI chạy trên máy thành ứng dụng riêng tư: tải tài liệu, hỏi đáp có trích dẫn

KhóWindowsmacOSLinuxPython

Xem cả 22 repo Tài liệu, OCR & hỏi đáp tri thức Về Kho Repo