OCRmyPDF Docker镜像使用指南

OCRmyPDF Docker镜像使用指南

OCRmyPDF 项目地址: https://gitcode.com/gh_mirrors/ocr/OCRmyPDF

前言

OCRmyPDF是一款强大的开源工具，能够为PDF文件添加可搜索的OCR文本层。对于希望在容器化环境中使用OCRmyPDF的用户，官方提供了Docker镜像解决方案。本文将详细介绍OCRmyPDF Docker镜像的使用方法，包括安装、配置和高级用法。

Docker镜像概述

OCRmyPDF Docker镜像提供了完整的运行环境，包含所有必要的依赖项。相比本地安装，Docker方式具有以下优势：

1. 无需手动安装复杂的依赖关系
2. 环境隔离，避免与系统其他软件冲突
3. 支持跨平台运行
4. 版本管理更加清晰

目前官方提供三种镜像变体：

1. Alpine Linux基础镜像（推荐）：体积小巧，资源占用低，支持x86_64和arm64架构
2. Ubuntu基础镜像：作为备选方案，未来将被Alpine镜像取代
3. 默认镜像：当前指向Ubuntu镜像，未来将指向Alpine镜像

安装Docker镜像

准备工作

首先确保系统已安装Docker并正常运行。验证命令：

docker run hello-world

拉取镜像

推荐使用Alpine Linux基础镜像：

docker pull jbarlow83/ocrmypdf-alpine

为方便使用，建议为镜像创建别名：

docker tag jbarlow83/ocrmypdf-alpine ocrmypdf

基本使用方法

OCRmyPDF Docker容器设计为单次任务运行模式，处理完一个OCR作业后自动退出。

简单命令行使用

docker run --rm -i ocrmypdf [参数] - -

建议创建shell别名简化命令：

alias docker_ocrmypdf='docker run --rm -i ocrmypdf'

使用示例：

docker_ocrmypdf --version  # 查看版本
docker_ocrmypdf - - <input.pdf >output.pdf  # 处理PDF文件

使用挂载目录方式

对于需要访问本地文件系统的场景，可以挂载当前工作目录：

alias docker_ocrmypdf='docker run --rm -i --user "$(id -u):$(id -g)" --workdir /data -v "$PWD:/data" ocrmypdf'
docker_ocrmypdf /data/input.pdf /data/output.pdf

多语言支持

默认镜像包含英语、德语、简体中文、法语、葡萄牙语和西班牙语支持。如需添加其他语言，可通过以下方式：

方法一：创建自定义Dockerfile

FROM jbarlow83/ocrmypdf

# 示例：添加意大利语支持
RUN apt install tesseract-ocr-ita

方法二：直接复制语言包

首先确定Tesseract数据文件版本：

docker run -i --rm --entrypoint /bin/ls jbarlow83/ocrmypdf /usr/share/tesseract-ocr

然后添加自定义语言数据：

FROM jbarlow83/ocrmypdf:{特定版本标签}

# 示例：添加自定义训练数据
COPY chi_tra_vert.traineddata /usr/share/tesseract-ocr/<版本号>/tessdata/

高级用法

扩展Docker镜像

用户可以基于官方镜像创建自定义镜像，添加特定依赖或工具。建议固定使用特定版本的OCRmyPDF镜像以确保稳定性。

运行测试套件

docker run --rm --entrypoint python jbarlow83/ocrmypdf -m pytest

进入容器Shell

docker run -it --entrypoint sh jbarlow83/ocrmypdf

Web服务模式

OCRmyPDF Docker镜像包含一个简易的HTTP Web服务示例：

docker run --entrypoint python -p 5000:5000 jbarlow83/ocrmypdf webservice.py

重要安全提示：此Web服务仅适用于开发测试环境，不具备生产环境所需的安全防护措施，包括但不限于：

1. 无身份验证机制
2. 无防DoS攻击保护
3. 使用单线程开发服务器
4. 无负载均衡能力

性能优化建议

1. 在Linux系统上，Docker容器性能接近原生安装
2. 非Linux平台建议调整Docker虚拟机资源配置（CPU和内存）
3. OCRmyPDF默认使用所有可用CPU核心

结语

通过Docker使用OCRmyPDF提供了便捷的部署方式，特别适合需要快速搭建OCR处理环境的场景。本文涵盖了从基础使用到高级定制的各个方面，用户可根据实际需求选择适合的配置方式。

对于生产环境使用，建议基于官方镜像构建自定义镜像，固定版本号，并添加必要的安全措施。

OCRmyPDF 项目地址: https://gitcode.com/gh_mirrors/ocr/OCRmyPDF