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
Mở PowerShell và cài Tesseract cùng
uv(công cụ cài gói Python) bằng winget theo hướng dẫn chính thức.winget install -e --id tesseract-ocr.tesseract winget install -e --id astral-sh.uvGhostscript 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.
Mở cửa sổ PowerShell mới (để PATH cập nhật) rồi cài OCRmyPDF.
uv tool install ocrmypdfMở thêm một cửa sổ mới và kiểm tra. Nếu báo không tìm thấy lệnh, chạy
uv tool update-shellrồi mở cửa sổ mới.ocrmypdf --versionGói ngôn ngữ tiếng Việt cho Tesseract cần được cài thêm (xem tài liệu Tesseract, file
vie.traineddata).
Cài trên macOS
Cài bằng Homebrew.
brew install ocrmypdfCài thêm các gói ngôn ngữ của Tesseract.
brew install tesseract-langKiểm tra lại.
ocrmypdf --version
Cài trên Ubuntu / Debian
Cài từ kho phần mềm.
sudo apt install ocrmypdfXem 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).apt-cache search tesseract-ocrKiểm tra.
ocrmypdf --version
Dùng thử lần đầu
Đặt một PDF scan, ví dụ
scan.pdf, vào thư mục đang mở Terminal.Chạy OCR với tiếng Việt (nếu đã cài gói ngôn ngữ) và ghi ra file mới để bản gốc không bị đụng tới.
ocrmypdf -l vie scan.pdf scan-ocr.pdfMở
scan-ocr.pdfbằng trình đọc PDF, bấm Ctrl+F tìm một từ trong trang và thử bôi đen chữ để sao chép.Với bản scan hơi nghiêng, thêm tuỳ chọn làm thẳng trang.
ocrmypdf --deskew -l vie scan.pdf scan-ocr.pdfChuyển một ảnh thành PDF có chữ.
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 --helpđể 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.
git clone https://github.com/ocrmypdf/OCRmyPDF.gitRepo tương tự nên xem
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
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
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.