Umi-OCR完整攻略：免费离线识别，截图、批量图片与扫描PDF一站搞定

Umi-OCR完整攻略：免费离线识别，截图、批量图片与扫描PDF一站搞定

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR

同事甩过来一份扫描版PDF合同，说"帮我看看第三页那条款"。你全选、复制，屏幕却只回你一句"无法从此PDF复制文字"。转头想找在线识别网站，要么文件超了大小限制、要么免费额度早被用完，更要命的是——这份合同得先传到别人的服务器上。这种"看得到却摸不到"的憋屈，正是今天的主角存在的理由。

Umi-OCR是一款免费、开源、完全离线的OCR软件，它把文字识别引擎整个塞进你的电脑里，解压即用、不用联网，截图识别、批量图片识别、PDF扫描件识别三大场景一把抓，你的图片和文档全程不离开本机硬盘。这篇文章就按真实的使用旅程，从"跑起来"讲到"玩得转"，让你读完就能上手。

第一章 解压即用：三分钟把离线OCR请进门

先说清楚一个概念：为什么能"离线"？因为Umi-OCR把识别引擎直接打包进了软件本体，图像解析、文字提取全部在你的电脑上本地完成，不需要把图片发到任何服务器。这对处理合同、病历、证件这类敏感材料的人来说，几乎是刚需。

上手过程简单到不像话，三步：

1. 从项目发布页下载.7z压缩包，或者.7z.exe自解压包（电脑没装压缩软件就选它）。
2. 解压到任意目录，比如D:/Tools/Umi-OCR。路径里尽量避免中文和空格，能少碰很多莫名其妙的兼容问题。
3. 双击Umi-OCR.exe（Linux 下运行umi-ocr.sh）启动。

软件本体由多个标签页组成——截图OCR、批量OCR、文档识别、二维码、全局设置——像浏览器的标签栏一样，想用哪个点哪个，还能锁定常用标签防止误关。第一次启动会自动跟随系统语言，想手动改，随时去全局设置里换。

一个小提醒：如果电脑装了杀毒软件，建议先把软件目录加进白名单。因为它内置了本地OCR引擎和运行库，部分杀软会误报，提前加白能省掉后续很多"为什么闪退"的烦恼。

第二章 截图OCR：屏幕上的字，随抓随用

日常最高频的场景，就是看到一段文字想立刻复制。打开"截图OCR"标签页，按下快捷键唤起截图框，划出目标区域，识别结果马上出现在右侧记录栏里。

几个实测好用的小习惯：

• 不需要截图也能识别：在聊天窗口里复制一张图片，回到Umi-OCR直接粘贴，它照认不误。
• 结果可以二次编辑：右侧记录栏里的文字能直接改错、划选多条一起复制，识别完顺手就能整理成你要的格式。
• 竖排文字自动处理：排版解析会自动识别横排和从右到左的竖排文本（前提是OCR引擎本身支持竖排）。

排版方案：给识别结果"排好队"再输出

OCR引擎吐出来的文字往往是"散装"的，谁先谁后、怎么换行，全靠排版解析来安排。在设置里可以切换多种预设方案，我帮你划一下重点：

方案	适用场景
多栏-按自然段换行	两栏/三栏的论文、书籍，自动按段落断行，大多数场景选它就对
多栏-总是换行	每句独立成行，方便后续按行处理
多栏-无换行	强制整段合并成一行
单栏-保留缩进	代码截图专用，保留行首缩进和行中空格
不做处理	OCR引擎的原始输出

其中"单栏-保留缩进"值得单独表扬：把代码截图扔进去，缩进结构基本能保住，配合截图OCR简直是程序员的日常福利。下面的预览对比图就来自项目文档，左侧是原截图，右侧是排版解析后的文本，用来校对代码非常直观。

截图识别是开胃菜，真正体现效率的在后面。

第三章 批量图片OCR：几百张图一夜跑完，水印自动隐身

遇到几十上百张截图、扫描件、相册照片，一张张截屏识别就太亏了。切到"批量OCR"标签页，把图片拖进窗口，支持jpg、png、webp、bmp、tif、tiff等常见格式，一次拖几百张也没有数量上限。

点下"开始任务"，右侧会逐张显示文件耗时、置信度和识别结果。任务跑完，可以按需导出成txt、jsonl、md、csv四种格式，其中csv可以直接用Excel打开。它还支持任务完成后自动关机或待机——睡前扔进去几百张图，醒来直接拿结果。

忽略区域：让水印、页眉页脚自动"隐身"

批量识别有个高频痛点：图片角落的水印、LOGO、页眉页脚，每次都会混进识别结果里，得人工手动删。Umi-OCR的忽略区域功能就是为这个设计的。

在批量识别页的右侧设置里进入忽略区域编辑器，按住右键在图片上绘制矩形框，把水印可能出现的位置全部框住，识别时这些区域内的文字就会被自动排除。做学术论文批量转换时，把统一的页眉页脚一次框掉，输出会干净很多。

这里有个必须记住的机制：只有完全处于矩形框内部的整个文本块才会被忽略，而不是单个字符。所以画框时宁可大一点，把水印所有可能出现的位置都包住，否则漏框一次，结果里就混进一行杂音。

如果你的图片特别长、特别大，识别结果缺行漏字，可以去"文字识别"设置里调高限制图像边长。别盲目放大原图——过度放大会增加噪声，反而降低准确率。

第四章 文档识别：扫描版PDF从此"可搜索"

如果说前面是热身，文档识别就是压轴。它支持pdf、xps、epub、mobi、fb2、cbz六种格式，其中PDF扫描件是最典型的应用场景。

底层逻辑可以概括成三步：解析 → 识别 → 重组。PDF先被拆开，区分出"本来就有的文本层"和"需要OCR的扫描图片层"；扫描图片交给本地OCR引擎逐页识别；最后按阅读顺序重新拼装，输出成你指定的格式。有两个亮点值得展开：

• 双层可搜索PDF：对扫描版PDF做OCR后，输出"底层是原图、上层是透明文字"的双层PDF。外观和原扫描件一模一样，但里面的文字可以搜索、复制、划线。给公司做合同归档、给学校做论文数字化，这个功能都能直接顶上去。
• 灵活的提取模式：Umi-OCR会优先提取PDF自带的文本层（速度快、零误差），只有遇到纯扫描页才自动切到OCR。你也可以主动选择整页强制OCR，或反过来只提取原文本。v2.1.2起还支持输出单层纯文本PDF，想要体积小、好编辑的文件就选它。

文档识别同样支持忽略区域，还能按页码范围设置，用来排除扫描件的页眉页脚；也支持任务完成后的自动关机。如果你手头有一堆扫描版书要转成可搜索存档，这个标签页能帮你省下大量人工。顺带一提，如果你见过PDF页面旋转后文本错位的bug，请务必用v2.1.5以上版本，这个问题已修复。

微调两个旋钮，再开一条进阶通道

界面语言和识别语言库，是两回事

Umi-OCR的界面支持中文、繁体中文、英文、日文、俄语、葡萄牙语等多种语言，由社区译者协作维护。

但要注意：界面语言管按钮菜单长什么样，识别语言库管OCR引擎认哪种文字。识别语言可以在各标签页的"文字识别"设置里单独选择或下载。比如你的界面用中文、日常却识别日文书籍，二者完全可以搭配使用，互不干扰。

截屏闪烁、界面错位？换渲染器

如果截图时界面闪烁或者错位，多半是显卡渲染兼容问题。去全局设置 → 界面和外观 → 渲染器，切换不同渲染方案，或者直接关闭硬件加速，通常就能解决。

进阶通道：命令行与HTTP接口

对普通用户来说，图形界面已经够用；但想把它嵌进自己的工作流，Umi-OCR还提供两条"程序化通道"。命令行入口就是主程序本身：

# 截屏识别，结果直接进剪贴板 umi-ocr --screenshot --clip # 识别指定图片，结果输出到文件 umi-ocr --path "D:/扫描件.png" --output result.txt # 识别整个文件夹（含子目录） umi-ocr --path "D:/scans" "-->" all_result.txt # 生成二维码 umi-ocr --qrcode_create "你好，Umi-OCR" "D:/qrcode.png" 256

指令的具体参数和简写规则见 docs/README_CLI.md 命令行手册。软件启动后还会在本地开启HTTP服务，提供OCR、文档识别、二维码等接口，开发者可以用几十行代码封装成自动化流程，实现"上传图片 → 返回JSON识别结果"，接口文档在 docs/http/README.md。程序默认内置Rapid-OCR（兼容性好）和PaddleOCR（速度稍快）两套引擎，随时可以切换。

结尾：现在就差你动手了

把整篇压缩成三句话：Umi-OCR是一款免费、开源、离线运行的OCR工具，装好就能用；截图、批量、文档识别覆盖了从日常摘抄到批量归档的绝大多数场景；遇到问题别慌，忽略区域、排版方案、渲染器这几个旋钮能解决大部分麻烦。

下一步建议很简单：下载最新版，先打开"截图OCR"试一次快捷键截图——感受一下"屏幕上的字随抓随用"是什么体验。然后再把一份扫描版PDF丢进"文档识别"生成双层PDF，你大概率会回来把这篇文章转发给同样被PDF折磨的同事。项目的历史版本演进都记录在CHANGE_LOG.md里，想了解每个版本改了什么、适合谁，翻它准没错。

【免费下载链接】Umi-OCROCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR