用 OCRmyPDF 让扫描文件符合 eCTD OCR 要求（Win11 系统）

前言

在准备 eCTD 申报资料时，经常会遇到扫描版 PDF 文件，这类文件本质上只是图片，无法复制文本，也无法进行关键词搜索。但根据规范要求，PDF 内容必须具备“可复制、可搜索”的能力，因此对于扫描文件必须进行 OCR（光学字符识别）处理，否则会存在合规风险，严重时甚至可能被退回补正。

在实际工具选择上，OCRmyPDF 是一个非常适合该场景的开源工具。它可以在不改变原始版式的情况下，为 PDF 自动添加文本层，并支持输出为 PDF/A 格式，这一点非常符合 eCTD 的技术要求。同时它支持批量处理、自动跳过已有文本页面、压缩优化等功能，基本可以覆盖申报资料处理中的大部分需求。

在 Windows 11 上使用之前，需要先完成基础环境部署。首先需要安装 Python，然后再安装 OCRmyPDF，以及它依赖的 OCR 引擎 Tesseract OCR。这里需要特别说明的是：OCRmyPDF 本身并不负责“识别文字”，真正的识别是由 Tesseract 完成的，如果这个环境没有配置好，后续命令会直接报错。

环境部署（Windows 11）

安装 Python（建议 3.9+ 版本，安装时一定勾选 Add Python to PATH，否则后面命令会报错找不到 python；如果你无法访问Python官网可以使用华为镜像）：

python --version

如果能正常输出版本号，说明安装成功。

安装 OCRmyPDF：

pip install ocrmypdf

如果出现权限问题，可以使用：

pip install --user ocrmypdf

安装 Tesseract OCR（建议使用 UB Mannheim 提供的 Windows 版本，兼容性更好;下载链接，详细安装步骤可看这个教程）。安装完成后，需要把路径加入环境变量，例如：

C:\Program Files\Tesseract-OCR

这一步可以在“系统环境变量 → Path”中手动添加。

验证是否安装成功：

tesseract --version

如果能输出版本信息，说明 OCR 引擎已经可以正常调用。

另外，如果你需要识别中文，还需要确认语言包是否存在：

tesseract --list-langs

如果没有 chi_sim，需要额外下载中文语言包（否则中文会识别失败或乱码）。

基本使用方法

ocrmypdf input.pdf output.pdf

执行后会发生三件事：程序会逐页分析 PDF、调用 Tesseract 识别文字、然后把识别结果嵌入到原 PDF 中，生成一个新的 output.pdf 文件。原始版式不会改变，但已经可以复制和搜索。

推荐（eCTD 用）

eCTD 申报建议使用更规范的参数组合，以确保文件格式、识别效果以及体积都符合要求。

ocrmypdf -l chi_sim --optimize 3 --output-type pdfa input.pdf output.pdf

这条命令里几个关键参数需要理解：

• -l chi_sim：指定中文简体识别（如果是英文可以用 eng，多语言可以写 chi_sim+eng）
• --optimize 3：最高级别压缩优化，适合申报资料控制体积
• --output-type pdfa：输出为 PDF/A 格式，符合长期归档要求（eCTD 推荐）

如果你的文件页数很多，可以增加多线程加速：

ocrmypdf --jobs 4 input.pdf output.pdf

（数字根据 CPU 核心数调整）

在实际工作中，经常会遇到一些特殊情况，例如 PDF 已经包含部分文本层。OCRmyPDF 默认会自动检测，如果页面已经有文本，它不会重复识别，这可以避免文字重叠问题。如果你希望强制重新识别，可以加参数：

ocrmypdf --force-ocr input.pdf output.pdf

结尾

处理完成后，一定要对文件进行验证，这是 eCTD 要求中非常关键的一步。可以直接在 PDF 中拖动鼠标尝试选中文字，如果可以高亮说明 OCR 成功；同时使用 Ctrl+F 搜索任意关键词，如果能够命中结果，则说明文件已经具备可搜索能力。如果这两项都无法实现，就说明 OCR 没有正确执行，需要重新处理。

需要特别注意的是，如果原始文件是由 Word 等源文件直接导出的 PDF，一般已经具备文本层，不需要重复 OCR，否则反而可能引入错误。而对于带有手写签名、盖章或历史扫描档案的文件，则必须通过 OCR 补充文本层，这也是 eCTD 明确允许的例外场景。

此外，扫描质量会直接影响识别效果。如果扫描分辨率过低（例如 150 DPI 以下），或者存在倾斜、模糊、阴影等问题，OCR 准确率会明显下降。建议使用不低于 300 DPI 的扫描文件，并尽量保证页面干净、对比度清晰。如果原始文件质量较差，可以考虑先进行图像预处理（如去噪、二值化）再进行 OCR。

总体来说，OCRmyPDF 可以非常高效地帮助你把扫描 PDF 转换为符合 eCTD 要求的标准文件。对于从事药品注册或申报工作的人来说，这不仅是一个工具问题，更是一个合规问题。掌握这一流程，不仅可以提升效率，还能避免因为格式问题导致的反复修改甚至退回风险。如果进一步结合批量脚本或自动化流程，还可以大幅提升整套申报资料的处理效率。