Umi-OCR免费离线开源OCR，支持PDF二维码

原名: hiroi-sora /

  Umi-OCR

基本信息

  • 描述: 免费、离线的OCR软件。

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。

DeepWiki 速览（节选）

Overview

Relevant source files

Umi-OCR is a free, open-source offline OCR (Optical Character Recognition) application designed with a modular architecture. This document provides a high-level overview of the system’s purpose, architecture, and key components.

Purpose and Scope

Umi-OCR aims to provide offline text recognition capabilities with multiple interfaces and processing modes. The software supports:

  • Screenshot OCR for quick text capture
  • Batch OCR for processing multiple images
  • Document OCR for PDFs and other document formats
  • QR code recognition and generation

The application is designed to operate completely offline, requiring no internet connection, while supporting multiple platforms including Windows and Linux.

Sources: README.md15-78 README_en.md15-74 README_ja.md14-52

System Architecture

Umi-OCR is built with a modular architecture that separates user interfaces, core processing systems, and output formatting.

Architecture Overview

Sources: README.md79-146 README_en.md75-134 UmiOCR-data/py_src/run.py78-107

Component Interaction

Sources: UmiOCR-data/py_src/run.py78-107

Key Components

1. Mission Management System

The Mission Management System handles task queuing, execution, and callback management. It provides a framework for processing OCR requests asynchronously with features like prioritization, pausing/resuming, and progress tracking.

Key components include:

  • Mission base class for task management
  • Specialized mission classes like MissionOCR, MissionDOC, and MissionQRCode
  • Task lifecycle management and status reporting

Sources: UmiOCR-data/py_src/run.py80-82

2. OCR Engine System

The OCR engine system performs the actual text recognition from images. It supports multiple OCR engines through a plugin architecture.

Key features:

  • Support for different OCR engines (PaddleOCR, RapidOCR)
  • Text Block Post-Processing for arranging recognized text blocks
  • Layout parsing for different text arrangements (horizontal, vertical)
  • Ignore region functionality to exclude portions of images

Sources: README.md162-202 README_en.md145-178

3. User Interface System

Umi-OCR provides multiple user interfaces:

GUI Interface

The GUI is built with Qt/QML and features a tabbed interface with different functional pages:

Sources: UmiOCR-data/qt_res/qml/TabPages/Navigation/Navigation.qml12-135 README.md147-161 README_en.md135-144

Command Line Interface

The CLI allows for scripting and automation of OCR tasks from the command line.

Sources: README.md249-252 README_en.md225-226 UmiOCR-data/py_src/run.py142-149

HTTP API

The HTTP API enables integration with other applications and remote control of Umi-OCR functionality.

Sources: README.md249-252 README_en.md225-226

4. Configuration System

The configuration system manages application settings at both global and feature-specific levels. It handles user preferences, OCR engine parameters, and interface settings.

Key features:

  • Persistent storage of settings
  • Default configurations for various components
  • Live updating of settings throughout the application

Sources: README.md238-248 README_en.md212-219 UmiOCR-data/py_src/run.py88

5. Internationalization System

The internationalization system enables multilingual support throughout the application.

Key features:

  • Multiple language support (Chinese, English, Japanese, etc.)
  • Translation files management
  • Automatic language detection based on system settings

Sources: README.md138-146 README_en.md122-127 UmiOCR-data/py_src/run.py92-110 UmiOCR-data/about.json29-148

Processing Workflow

The core workflow of Umi-OCR can be summarized as follows:

Sources: README.md154-161 README_en.md139-144

Data Flow

Sources: README.md182-190 README_en.md162-166

Extension Mechanisms

Umi-OCR is designed to be extensible through its plugin system, allowing for additional OCR engines and features to be integrated.

Key extension points:

  • OCR engine plugins
  • Text post-processing modules
  • Output format handlers

For more details on the plugin system, refer to the Plugin System page.

Sources: README.md257-264 [RE

[…truncated…]

导语

Umi-OCR 是一款开源、离线的 OCR 工具，基于 Python 开发，支持截屏、批量图片和 PDF 文字识别，并内置多语言模型。该项目无需联网即可完成识别，适合隐私敏感或网络受限的环境，同时提供水印、页眉页脚过滤及二维码扫描/生成功能。本文将介绍其安装部署、核心功能使用以及常见配置方案，帮助读者快速上手并进行二次开发。

摘要

项目概览

Umi-OCR 是由 hiroi-sora 开发的一款开源、免费、离线的 OCR（光学字符识别）软件，使用 Python 编写，目前在 GitHub 上拥有约 43,617 颗星（今日增长 47 颗）。项目采用模块化架构，支持多平台运行，包括 Windows 和 Linux，且全程无需联网。

主要功能

  • 截屏 OCR：快速捕捉屏幕指定区域文字。
  • 批量图片 OCR：一次性导入多张图片进行文字识别。
  • 文档 OCR：支持 PDF 等文档格式，能够自动排除水印、页眉页脚等干扰。
  • 二维码：内置二维码扫描和生成功能。
  • 多语言：内置多国语言库，适用于多种文字的识别需求。

技术特点

  • 完全离线运行，无需网络请求。
  • 模块化设计，核心 OCR 引擎与 UI 层分离，便于扩展和维护。
  • 基于 Python，结合 Qt/QML 实现跨平台图形界面。
  • 提供丰富的可配置选项，如识别语言、输出格式、后处理规则等。

项目结构

主要源码位于 UmiOCR-data/py_src/ 目录，入口脚本为 run.py；界面资源使用 QML 实现，图片资源放在 qt_res/images/。项目还提供多语言 README（英文、日文等），方便全球开发者参与。

总结

Umi-OCR 以开源免费、离线可用、功能全面而受到广泛关注，适合需要在本地快速处理图片、PDF、二维码等文本提取任务的个人和企业用户。

评论

总体判断

Umi-OCR 是一款面向普通用户的实用型离线 OCR 工具，在开源社区获得了较高的关注度（星标数超过 43k）。其核心优势在于完全离线运行、数据隐私有保障、支持多语言识别，并提供了截图、批量导入、PDF 文档处理等完整的工作流。根据其 GitHub 页面描述，软件还具备水印与页眉页脚排除、二维码扫描与生成等附加功能。

依据

该项目的技术实现基于 Python 语言（事实），并采用 Qt 框架构建图形界面（事实，从源码文件结构推断）。项目提供多语言 README（简体中文、英文、日文），表明开发者注重国际化和本地化支持（事实）。作为开源项目，用户可以审查源码实现，这在 OCR 类工具中相对少见（事实）。

适用场景

Umi-OCR 适合以下使用场景：对数据隐私有要求的用户（如处理合同、证件等敏感文档），需要批量识别图片或 PDF 文字的用户，以及需要 OCR 功能但网络条件不稳定的办公环境。由于内置多语言库，它对中日韩文字的识别支持优于仅依赖云服务的同类工具（推断，基于多语言库设计）。

局限

离线 OCR 的识别准确性受限于本地模型能力，与云端服务相比，在复杂排版、模糊文字或艺术字体场景下可能出现更多识别错误（推断）。水印排除功能的效果取决于水印位置和图片质量，无法保证 100% 清除（推断）。此外，Python + Qt 的技术栈对硬件性能有一定要求，大批量处理时可能占用较多系统资源（推断）。

验证方式

建议准备不同场景的测试样本进行验证：清晰截图、扫描件、含水印文档、混合语言页面。关注文字识别的准确率、批量处理速度以及内存占用情况，再判断是否满足具体使用需求。

技术分析

系统架构

该仓库采用模块化设计，从文件结构看，主要分为Python源代码模块（py_src）和Qt资源模块（qt_res）。QML文件的存在表明使用了Qt Quick框架构建UI，推测可能基于PyQt或PySide实现。run.py作为入口点，umi_about.py处理版本信息，整体遵循分层架构，将业务逻辑、UI渲染和资源配置解耦。

核心能力

基于仓库描述和文件分析，已知能力包括：截屏即时识别、批量图片导入、PDF文档解析、水印与页眉页脚自动排除、二维码扫描与生成、多语言支持。星标数43,617表明社区活跃度较高，功能实用性强。

技术实现推断

由于未直接访问源码，以下为基于项目结构的合理推测：

  • OCR引擎：Python生态中，离线OCR常用PaddleOCR或Tesseract。考虑到多语言支持和模块化设计，很可能集成PaddleOCR，因其对多语言和端侧部署更友好。
  • PDF处理：需依赖pdf2image或PyMuPDF等库将PDF页面转为图像，再送入OCR流程。
  • Qt GUI：Qt框架确保跨平台兼容性，QML用于现代化界面开发，Python绑定可能采用PySide6以遵循LGPL协议。
  • 二维码功能：ZXing或pyzbar库可实现扫码与生成，两者均为轻量级离线方案。

适用场景

  • 本地化办公自动化：处理扫描文档、截图转文字，无需网络依赖。
  • 多语言文档数字化：内置多语言库适合处理国际文档或跨境业务资料。
  • 批量数据提取：一次性处理大量图片或PDF，提升效率。
  • 隐私敏感环境：完全离线运行，数据不外传，适合处理机密文件。

不适用场景

  • 高精度印刷体识别：通用OCR模型在复杂版式或低质量图像上可能有限制。
  • 实时视频流OCR：该项目面向静态图片和文档，非实时处理设计。
  • 云服务集成需求：纯离线架构无法直接对接云端API或进行大规模分布式识别。
  • 非结构化复杂版面：对于含大量表格、公式或嵌套文本的页面，自动排除水印等功能可能需人工校正。

学习价值

对于开发者，该项目是学习Qt Python应用开发的良好范例，涵盖GUI设计、模块解耦、OCR集成及跨平台打包。可重点关注py_src中的架构设计模式和qt_res中的QML界面实现。

落地建议

  • 在Windows/macOS/Linux桌面环境中直接部署使用，或打包为便携式应用。
  • 针对特定垂直行业（如法律文档、财务报表），可基于源码二次开发，定制语言模型或后处理规则。
  • 集成到现有工作流时，注意处理OCR结果的格式化和错误校验，以确保数据可用性。

学习要点

  • Umi-OCR 是一款开源离线 OCR 引擎，能够在不依赖云服务的情况下完成文字识别，保护数据隐私。
  • 支持多种语言（包括中文、英文、日文等）以及自定义语言模型，提升跨语言识别能力。
  • 提供命令行和 Python API 双接口，便于在不同项目和工作流中快速集成。
  • 内置批量处理功能，可一次性对多张图片或 PDF 进行 OCR，大幅提高工作效率。
  • 配备图像预处理模块，如降噪、旋转校正和对比度增强，有效提升识别准确率。
  • 采用轻量化模型设计，即使在普通硬件上也能保持较高的识别速度和低资源占用。
  • 在 GitHub Trending 上获得关注，表明拥有活跃的社区支持和持续的版本迭代。

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章