Umi-OCR 从零到一保姆级教程：免费离线搞定截图、批量图片与 PDF 文字识别

Umi-OCR 从零到一保姆级教程：免费离线搞定截图、批量图片与 PDF 文字识别

【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

你有没有遇到过这样的尴尬时刻：课件截图里的公式复制不出来，只能对着屏幕一个字一个字敲；同事发来一份扫描版合同，想改个错别字都得重新打一遍；图书馆下载的论文 PDF，整篇都是图片，连检索都做不到。别急着买那些动不动就收费的在线 OCR，其实有一款免费、开源、完全离线的文字识别工具，能把这些麻烦一次全解决——它就是Umi-OCR。

Umi-OCR 是一款免费开源的离线 OCR 软件，内置多国语言识别库，支持截图识别、批量图片识别、PDF 文档识别、二维码扫描与生成，解压即用、无需联网，是个人办公和效率达人的"文字搬运工"。

这篇教程不绕弯子，我按自己这几年的使用心得，从"第一次打开软件"讲到"写代码自动调用接口"，帮你把它的潜力全部榨干。😎

一、先看它到底能干什么：一张表看懂核心功能

在动手之前，先花 30 秒了解 Umi-OCR 的能力边界。它不是一个只会"截图出字"的小工具，而是一套完整的文字处理方案：

看到没有，从一张截图到一整本扫描书，它都能处理。而这一切都发生在你的电脑本地，不联网、不传云端、不泄露隐私。这一点对处理合同、论文、病历等敏感文档来说，简直是刚需。🔒

二、最快上手路径：从下载到出字只需 3 分钟

Umi-OCR 是绿色软件，不需要安装，下载压缩包解压就能跑。完整流程只有三步：

1. 下载发布包：从项目发布页获取.7z或.7z.exe自解压包。自解压包适合没装解压软件的电脑，双击自己解压。
2. 解压并启动：解压后进入文件夹，双击Umi-OCR.exe（Windows）或运行umi-ocr.sh（Linux）。首次启动会自动按系统语言切换界面。
3. 按下快捷键截屏识别：切到"截图 OCR"标签页，按下默认截图快捷键，框选屏幕上任意文字区域，识别结果立刻出现在右侧。

第一次打开软件，你会看到类似这样的界面——标签页式的布局，左侧是功能页，右侧是设置与记录面板：

Umi-OCR 的批量识别页：左侧文件列表、中间进度条、右侧设置与记录，一次可塞入几百张图片。

如果你只是想"截个图、出个字"，到这一步已经够用了。但别急着关掉这篇文章——后面这些技巧，才是让它从"能用"变成"好用"的关键。

三、新手任务：把截图识别调到最顺手

截图识别是 Umi-OCR 使用频率最高的功能，但它默认的排版输出未必符合你的习惯。这里分享三个我踩过坑之后总结的调整项。

3.1 排版解析方案：别让识别结果"乱成一锅粥"

OCR 引擎吐出来的原始文字，经常是零散的文本块，顺序和换行都不符合阅读习惯。Umi-OCR 内置的排版解析功能专门解决这个问题，在截图页右侧的"设置 → 文本后处理"里可以切换。

用白话解释：排版解析就是"智能排版助手"，它负责判断哪些文字属于同一段落、哪些是标题、哪些需要换行。预设方案有 8 种，新手先记住最常用的三个：

• 多栏-按自然段换行：默认方案，自动识别多栏布局（比如报纸、论文双栏），按自然段规则换行，适合 90% 的场景；
• 单栏-保留缩进：识别代码截图的神器，保留行首缩进和行中空格，代码粘贴出来还是整齐的；
• 不做处理：OCR 引擎的原始输出，每句话都换行，适合你只需要"裸文本"的时候。

这几个方案都能自动处理横排和竖排（从右到左）的文本，前提是识别引擎本身支持对应语言。

3.2 截图识别的两个隐藏效率点

第一，别处复制的图片也能识别。看到网上文章里一张没法复制的图？直接复制图片，在 Umi-OCR 窗口里Ctrl+V粘贴，立刻识别。这招比截图更快。

第二，识别结果支持划选复制。右侧记录栏里可以鼠标划选多个记录，一次性复制，做笔记摘抄时非常顺手。截图页左侧的图片预览栏也能直接划选图片局部复制。

来看看实际效果：下面这张图是截图识别代码片段时的预览，左侧红色框选的是原图里的 Python 代码，右侧是识别出的文字，逐行对齐、缩进完整：

识别预览：左侧原始截图，右侧识别结果，代码类内容配合"保留缩进"方案还原度极高。

3.3 图像边长限制：一个小参数，影响识别的准与快

在文字识别设置里有一个"限制图像边长"参数（limit_side_len），默认 960。它的作用是把超长超大的图片压缩后再识别，从而提速。但如果你的图片文字很小、放大后反而更清楚，可以把数值调高到 2880 甚至更高。

一句话原则：文字密集、字体小就调高；追求速度、图片普通就保持默认。调高会稍微增加内存占用和耗时，但对识别精度有帮助。

四、进阶任务：批量图片与"忽略区域"的妙用

如果你手头有几十张甚至几百张图片要转文字，一张张截图显然不现实。这时候就该用批量 OCR标签页了。

4.1 批量识别的基本操作

把图片（或整个文件夹）拖进左侧列表，支持 jpg/png/webp/bmp/tif 等格式，没有数量上限。点击"开始任务"，软件会并行处理，进度条实时显示。任务完成后，识别结果可以保存为txt、jsonl、md、csv(Excel)四种格式，其中 csv 格式能直接丢进 Excel 做后续分析。

批量页还支持一个实用功能：任务完成后自动关机或休眠。晚上睡觉前丢几百张图进去，第二天早上直接收成果，省电又省心。😴

4.2 忽略区域：不只是去水印

"忽略区域"是批量识别里一个容易被低估的功能。它的原理很简单：在图片上画矩形框，框内区域整块忽略。最常见的用法是去掉水印，但它还有两个高价值场景：

• 去除页眉页脚：批量处理扫描版论文时，每页的期刊名、页码、日期都会混进识别结果，用忽略区域框掉，输出干净得多；
• 排除干扰元素：比如图片角落的 LOGO、时间戳、拍摄参数信息。

操作时在批量页右侧设置里进入忽略区域编辑器，按住右键绘制矩形框即可。注意一个小细节：忽略区域是按"整个文本块"生效的，不是按单个字符，所以框尽量画大一些，确保完全包裹水印可能出现的位置。

4.3 实战案例：把 1000 页扫描合同变成可检索档案

拿企业场景举个具体的例子。假设某律所需要把历史扫描版合同数字化，这批合同的特点是：每页左上角有律所 LOGO、页脚有页码、正文为单栏但夹杂手写批注。

用 Umi-OCR 的处理方案是：

1. 全部 PDF 先转成图片导入批量识别（或者直接用后面的文档识别功能）；
2. 配置忽略区域框掉左上角 LOGO 和页脚页码；
3. 排版方案选"单栏-按自然段换行"；
4. 输出 csv + txt 双格式，csv 供 Excel 建索引，txt 供全文检索。

这样处理后，原本无法检索的扫描件变成了可搜索的文本档案，后续按关键词查案卷只需要几秒钟。这就是工具组合起来的力量。

五、高级玩法：PDF 文档识别与双层可搜索 PDF

如果说截图和批量识别是"开胃菜"，那PDF 文档识别就是 Umi-OCR 的"主菜"。它依托 PyMuPDF 解析引擎，能直接处理 PDF、EPUB 等六种格式的文档，并且内置四种内容提取模式：

对扫描版 PDF，最推荐的功能是输出为双层可搜索 PDF。用大白话说：这种 PDF 的"底层"是扫描图片（保证排版原样），"上层"叠加了一层看不见的识别文字。结果就是——眼睛看到的是原版扫描件，但鼠标可以选中、搜索、复制文字。这在归档、论文管理场景里简直无敌。

文档识别页还支持指定页数范围（比如1-5,10-15）、忽略区域（排除页眉页脚）和加密文档解密（提供密码即可），细节做得很到位。根据项目更新日志，从 v2.1.0 加入 PDF 识别，到 v2.1.5 修复页面旋转问题、补齐单层 PDF 文本写入，这个模块一直在稳步打磨。

六、疑难杂症 FAQ：六个高频问题的解决思路

Q1：识别结果顺序乱了，一段话被拆得七零八落？调整"排版解析方案"，多栏文档选"多栏-按自然段换行"，代码截图选"单栏-保留缩进"。

Q2：水印文字总是混进结果里？用"忽略区域"框掉水印位置，记住框要大一些，且只对整块文本生效。

Q3：超大长图识别特别慢？在批量页设置里调高"限制图像边长"到 2880，图片会先被压缩再识别，速度立刻提升。

Q4：界面出现闪烁、错位？进"全局设置 → 界面和外观 → 渲染器"，切换到不同的渲染方案，或直接关闭硬件加速。

Q5：想改界面语言/主题？全局设置里选"语言/Language"，支持繁中、英语、日语等；主题有多个亮/暗方案可选。

Q6：任务中途想暂停/恢复？v2.1.2 起批量任务支持暂停，只要不退出软件，待机/休眠后也能恢复任务。

全局设置页长这样，语言、主题、快捷键、开机自启都在这里配置：

全局设置页：语言、主题、渲染器、开机自启等基础配置都集中在这里。

七、效率进阶：命令行与 HTTP 接口，把 OCR 变成自动化流水线

如果你只把 Umi-OCR 当图形工具用，那它已经值回票价。但它的另一半价值，藏在命令行和HTTP 接口里——这意味着你能把它塞进脚本、对接业务系统。

7.1 命令行：一键截图、批量出字

命令行入口就是主程序Umi-OCR.exe，在终端里调用即可。常用指令如下：

# 鼠标框选截屏识别 umi-ocr --screenshot # 指定屏幕和区域自动截图（无需鼠标操作） umi-ocr --screenshot screen=0 rect=50,100,300,200 # 识别指定图片或整个文件夹（支持多个路径） umi-ocr --path "D:/img1.png" "D:/img2.png" "D:/image/test" # 识别结果输出到文件（覆盖/追加） umi-ocr --screenshot --output result.txt umi-ocr --screenshot --output_append result.txt # 识别并生成二维码 umi-ocr --qrcode_read "D:/qrcode.png" umi-ocr --qrcode_create "https://example.com" "D:/out.png" 256

小技巧：指令支持前几个字母简写，比如--screenshot可写成--sc；对大多数系统还能省略.exe后缀。命令行与图形界面的参数是联动的——OCR 语言、排版方案等沿用"截图 OCR"标签页的设置。

7.2 HTTP 接口：让程序替你干活

软件默认在127.0.0.1:1224开放本地 HTTP 服务，支持图片 OCR、PDF 文档识别、二维码三大类接口。图片识别最简单，直接传 Base64 即可：

import requests, base64 with open("test.png", "rb") as f: img_b64 = base64.b64encode(f.read()).decode() resp = requests.post("http://127.0.0.1:1224/api/ocr", json={ "base64": img_b64, "options": { "ocr.language": "models/config_chinese.txt", # 简体中文 "tbpu.parser": "multi_para", # 排版方案 "ocr.cls": False # 方向纠正 } }) print(resp.json()["data"])

文档识别的流程稍长但更强大：先上传文件拿任务 ID → 轮询任务状态 → 生成目标文件（如双层 PDF）→ 下载 → 清理任务。项目自带 Python 和 Web 的完整示例代码，位置在 docs/http/ 目录下，照着抄就能跑通。完整的接口参数说明见 api_doc.md 和 api_ocr.md，命令行进阶玩法见 docs/README_CLI.md。

提醒一句：HTTP 接口对并发支持一般，建议顺序调用；大批量调用偶尔报ECONNREFUSED之类的错，重新发一次请求即可，不影响整体流程。

7.3 多语言与本地化：跨国团队也能用

Umi-OCR 的界面和识别模型都支持多国语言。界面语言在全局设置里切换，识别模型则在插件设置里选择。它的本地化工作通过 Weblate 平台协作完成，已覆盖英语、日语、繁中、韩语、俄语、葡萄牙语、泰米尔语等：

多语言界面：同一款软件可以切换中、日、英等多种界面语言，识别模型也随插件提供多种语言库。

八、性能调优速查：按你的电脑配置选参数

不同配置的电脑，识别体验差异很大。我根据实测给出三档推荐配置，直接抄作业即可：

其中"方向纠正"（ocr.cls）是专门处理倾斜、倒置扫描件的开关，开启后会牺牲一点速度换取识别准确率，适合扫描质量参差不齐的文档。

写在最后：它凭什么值得留在你的工具箱里

回看整个 Umi-OCR，它的核心优势可以浓缩成三句话：

• 免费开源 + 完全离线：隐私安全有保障，个人与商用皆可，不用看云服务脸色；
• 能力闭环：截图、批量、PDF、二维码全覆盖，从零散图片到整本扫描书一个工具搞定；
• 接口开放：命令行与 HTTP API 让它从"用户工具"升级为"系统组件"，自动化潜力巨大。

如果你刚接触它，我建议按这个顺序进阶：先熟练截图识别和排版方案，再上手批量 + 忽略区域，然后攻克 PDF 双层输出，最后尝试用命令行或 Python 脚本把它接进自己的工作流。每一步解锁的能力，都会让你在处理文字时多一分从容。

想更深入了解的话，项目自带的文档都是干货：更新日志 CHANGE_LOG.md 记录了每个版本的功能演进，命令行手册 docs/README_CLI.md 和 HTTP 接口文档 docs/http/README.md 是开发者必读。此外，插件机制支持切换不同的离线 OCR 引擎（如 PaddleOCR、RapidOCR），这又是另一个值得探索的深水区了。祝你把"文字搬运"这件事，彻底交给机器。🚀

【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