简介：批量图片转双层PDF工具是一款面向办公人员、档案数字化从业者及需要处理扫描文档用户的实用软件，主要解决将大量TIF、JPG等图像文件快速整合为可搜索、可编辑双层PDF的问题。所谓双层PDF，即同时保留原始图像层与可检索文本层，既便于长期存档，也方便后续复制、检索与分享，尤其适合扫描件整理、资料归档等场景。资源包共3个文件，包含1个exe主程序、1个htm说明文档和1个ini配置文件，整体约3.2MB，体积轻巧，解压后即可运行，无需复杂安装。主程序负责批量导入与转换，htm文件提供操作指引，ini文件则保存默认参数与用户设置。该工具支持多页TIF、JPG批量处理，并提供页面预览、自定义页面大小与边距、输出质量调整等选项，能有效提升文档电子化效率。目前已有1135人学习下载，适合需要快速完成图片转双层PDF任务的用户参考使用。
1. 批量图片转双层PDF工具：从一堆扫描件到可检索文档的落地路径
手里攒了几百张扫描件、手机拍的合同页、截图版的技术手册，想打包成一个能搜索、能复制文字的 PDF，这事听起来简单，真动手就知道坑在哪。普通图片转 PDF 只是把图塞进页面，文字还是死的，搜不了也选不中；而双层 PDF 的做法是在图像层之上再叠一层不可见的文字层，肉眼看到的是原图，检索和复制走的却是文字层。这套批量图片转双层PDF工具解决的正是这个场景：把散落的 JPG、PNG、TIFF 一次性转成带 OCR 文字层的 PDF，适合需要归档扫描资料、整理纸质文档电子化、做资料库检索的从业者。它不追求花哨的排版，核心就三件事——批量、双层、可检索，下面按实际拆包的顺序讲清楚怎么用、参数怎么调、哪里容易翻车。
2. 双层PDF的技术底座：OCR文字层与图像层怎么叠
2.1 双层PDF到底是什么结构
双层 PDF 的正式叫法是「可检索 PDF」或「OCR 叠加 PDF」，它的页面里同时存在两类对象：底层是一张完整的位图，负责视觉呈现；上层是一组不可见的文字对象，位置和图像里的文字一一对应，负责检索、复制和选中。阅读器渲染时优先画图像，文字层设成透明或渲染模式为 3（不可见），所以你看到的还是原图，但 Ctrl+F 能搜到内容。
理解这一点很关键，因为它决定了整个工具链的分工：图像处理部分负责把图片规整成统一尺寸和 DPI，OCR 部分负责识别文字并输出带坐标的结果，PDF 合成部分负责把图像和文字按坐标对齐写进同一页。三者任何一环出问题，最终要么搜不到，要么文字和图像错位，要么文件体积爆炸。
常见做法是先用图像预处理把扫描件拉正、去噪、统一分辨率，再跑 OCR 拿到每个词的边界框，最后用 PDF 库把图像当背景、把文字按框写上去。这套工具把这几个步骤串成了一条流水线，你只需要准备图片目录和几个参数。
2.2 为什么不能直接用普通图片转PDF
很多人第一反应是用系统自带的「打印成 PDF」或者在线图片转 PDF 服务，转出来的文件确实能看，但文字层是空的。你拿它去归档，过半年想找某句话，只能一页页翻。更麻烦的是，有些在线服务会把图片压缩得厉害，扫描件上的小字直接糊掉，OCR 再准也救不回来。
双层 PDF 的价值就在于一次转换、长期可检索。代价是转换时间比纯图片转 PDF 长，因为多了 OCR 这一步；文件体积也会大一些，文字层虽然不可见但确实占空间。对于几十页的文档，这点代价可以忽略；对于上千页的批量任务，就得在参数上做取舍，后面会讲怎么平衡速度和体积。
2.3 工具链的组成与依赖
这套工具通常由三块组成：图像预处理模块、OCR 引擎、PDF 合成模块。图像预处理一般用 Pillow 或 OpenCV 做旋转校正、二值化、去噪；OCR 引擎常见的是 Tesseract，也有用 PaddleOCR 的，前者部署简单、语言包全，后者对中文和复杂版式更友好；PDF 合成多用 PyMuPDF 或 reportlab，PyMuPDF 在插入图像和文字层时坐标控制更直接。
依赖装齐是第一步，但版本兼容是隐藏的坑。比如某些 PyMuPDF 版本对中文文字层的编码处理有差异，Tesseract 的语言包路径没配好会直接报错。下面给一个典型的依赖清单和安装命令，按这个走能避开大部分环境问题。
# 基础依赖：图像处理 + OCR + PDF 合成 pip install pillow opencv-python pytesseract pymupdf # Tesseract 引擎本体需要单独装（以常见 Linux 发行版为例） # 安装后确认版本，语言包要包含 chi_sim（简体中文） tesseract --version tesseract --list-langs逻辑说明：pytesseract只是 Python 调用 Tesseract 的封装，引擎本体必须单独安装，否则运行时报「tesseract not found」。--list-langs用来确认中文语言包是否就位，如果列表里没有chi_sim，OCR 中文会输出乱码或空结果。参数上，opencv-python用于图像预处理，pymupdf用于最终合成，这两个是核心，不建议用其他库替代，否则坐标对齐逻辑要重写。
3. 批量转换实操：从图片目录到可检索PDF的完整流程
3.1 图像预处理：统一尺寸、DPI与方向
批量转换最怕图片规格五花八门：有的 72 DPI，有的 300 DPI；有的横拍，有的竖拍；有的带阴影，有的偏色。直接丢给 OCR，识别率会断崖式下跌。预处理的目标就三个：统一 DPI、校正方向、适度去噪。
DPI 建议统一到 300，这是 OCR 识别的甜点区，低于 200 小字容易丢，高于 400 文件体积涨得快但识别率提升有限。方向校正可以用 Tesseract 的 OSD（方向与脚本检测）先判断，再旋转。去噪用中值滤波或自适应二值化，但注意别过度，否则笔画细的字会被抹掉。
import cv2 import numpy as np from PIL import Image def preprocess_image(src_path, dst_path, target_dpi=300): # 读取图片，统一转成灰度 img = cv2.imread(src_path, cv2.IMREAD_GRAYSCALE) if img is None: raise ValueError(f"无法读取图片: {src_path}") # 自适应二值化，保留笔画细节，抑制背景噪点 binary = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize=31, # 邻域大小，扫描件一般 25-35 C=15 # 阈值偏移，越大背景越干净但笔画越细 ) # 中值滤波去孤立噪点，核大小 3 足够，太大会糊字 denoised = cv2.medianBlur(binary, 3) # 保存为 PNG，避免 JPEG 二次压缩损伤文字边缘 Image.fromarray(denoised).save(dst_path, dpi=(target_dpi, target_dpi)) return dst_path逻辑说明：adaptiveThreshold比全局阈值更适合扫描件，因为纸张光照不均时全局阈值会把暗区整片判成黑。blockSize控制局部邻域，31 是经验值，太小会把笔画内部判成背景，太大则失去局部适应性。C是偏移量，调大背景更干净但细笔画可能断裂，中文小字建议 10 到 15 之间试。medianBlur的核必须用奇数，3 是安全值，5 以上对印刷体可能糊边。保存用 PNG 是因为 JPEG 的块效应会在文字边缘产生伪影，OCR 容易把伪影认成笔画。
3.2 OCR识别与文字层坐标提取
预处理完就进 OCR。Tesseract 的输出可以带词级边界框，这正是双层 PDF 需要的坐标信息。关键参数是--psm（页面分割模式）和-l（语言）。对于规整的扫描文档，--psm 6（假设为单一均匀文本块）通常比默认的--psm 3更稳；如果页面有分栏或表格，--psm 4或--psm 11更合适。
语言用chi_sim+eng同时加载中英文，避免中英混排时英文被漏掉。输出格式用image_to_data，它返回每个词的文本、置信度和边界框，比image_to_string多了坐标，是合成双层 PDF 的必需数据。
import pytesseract from pytesseract import Output def ocr_with_boxes(image_path, lang="chi_sim+eng", psm=6): # 读取预处理后的图片 img = cv2.imread(image_path) # 获取词级数据，包含文本、置信度、边界框 data = pytesseract.image_to_data( img, lang=lang, config=f"--psm {psm}", output_type=Output.DICT ) words = [] n = len(data["text"]) for i in range(n): text = data["text"][i].strip() conf = int(data["conf"][i]) # 过滤空文本和低置信度结果，阈值 40 是经验值 if text and conf > 40: words.append({ "text": text, "left": data["left"][i], "top": data["top"][i], "width": data["width"][i], "height": data["height"][i], "conf": conf }) return words逻辑说明：conf > 40是过滤噪声的阈值，低于这个值的多半是噪点或误识别，保留反而会让文字层出现乱码干扰检索。--psm 6适合整页规整文本，如果发现识别结果断行混乱，换成--psm 4试试。image_to_data返回的坐标是像素单位，合成 PDF 时需要按 DPI 换算成点（point），1 点等于 1/72 英寸，这个换算在下一节处理。注意lang参数里chi_sim和eng用加号连接，顺序不影响识别，但两个语言包都必须已安装。
3.3 PDF合成：图像层与文字层的坐标对齐
合成是最后一步，也是最容易出坐标错位的地方。核心逻辑是：新建一个 PDF 页面，尺寸按图像的像素尺寸和 DPI 换算成点；先把图像铺满整页作为背景；再把每个词的边界框从像素换算成点，用insert_textbox或insert_text写入不可见文字。
PyMuPDF 里控制文字不可见有两种方式：设render_mode=3，或者把文字颜色设成和背景一致。推荐render_mode=3，它是 PDF 规范里的「不可见」渲染模式，阅读器不会显示但检索照常工作。
import fitz # PyMuPDF def build_searchable_pdf(image_path, words, output_path, dpi=300): # 像素转点的换算系数：1 点 = 1/72 英寸 scale = 72.0 / dpi img = fitz.open(image_path) rect = img[0].rect # 页面尺寸按图像尺寸换算成点 page_width = rect.width * scale page_height = rect.height * scale doc = fitz.open() page = doc.new_page(width=page_width, height=page_height) # 插入图像层，铺满整页 page.insert_image( fitz.Rect(0, 0, page_width, page_height), filename=image_path ) # 逐词写入不可见文字层 for w in words: x0 = w["left"] * scale y0 = w["top"] * scale x1 = (w["left"] + w["width"]) * scale y1 = (w["top"] + w["height"]) * scale # render_mode=3 表示不可见，但可检索可复制 page.insert_textbox( fitz.Rect(x0, y0, x1, y1), w["text"], fontsize=w["height"] * scale * 0.8, render_mode=3 ) doc.save(output_path) doc.close() img.close() return output_path逻辑说明：scale = 72.0 / dpi是像素到点的换算，DPI 设错会导致文字层整体偏移或缩放。insert_image的矩形用页面全尺寸，保证图像铺满。insert_textbox的矩形用词的边界框，fontsize按词高换算并乘 0.8 留余量，避免文字溢出框导致换行错位。render_mode=3是关键参数，漏了它文字会直接显示在图像上，双层变单层还难看。如果发现文字层整体偏移，先检查 DPI 是否和预处理时一致，这是最常见的翻车点。
3.4 批量调度与进度控制
单页跑通后，批量就是套一层循环加错误处理。要点是：每张图独立处理，单张失败不中断整批；记录失败清单方便重跑；控制并发数避免内存爆掉。OCR 是 CPU 密集型，并发开太多反而慢，一般按 CPU 核数的一半来设。
import os import glob from concurrent.futures import ThreadPoolExecutor, as_completed def batch_convert(src_dir, dst_dir, max_workers=4): os.makedirs(dst_dir, exist_ok=True) # 支持的图片格式 patterns = ["*.jpg", "*.jpeg", "*.png", "*.tif", "*.tiff"] files = [] for p in patterns: files.extend(glob.glob(os.path.join(src_dir, p))) failed = [] def process_one(src_path): name = os.path.splitext(os.path.basename(src_path))[0] tmp_img = os.path.join(dst_dir, f"_tmp_{name}.png") out_pdf = os.path.join(dst_dir, f"{name}.pdf") try: preprocess_image(src_path, tmp_img) words = ocr_with_boxes(tmp_img) build_searchable_pdf(tmp_img, words, out_pdf) os.remove(tmp_img) # 清理中间文件 return (src_path, True, None) except Exception as e: return (src_path, False, str(e)) with ThreadPoolExecutor(max_workers=max_workers) as executor: futures = {executor.submit(process_one, f): f for f in files} for future in as_completed(futures): src, ok, err = future.result() if not ok: failed.append((src, err)) print(f"失败: {src} -> {err}") if failed: print(f"\n共 {len(failed)} 个文件失败，清单如下：") for src, err in failed: print(f" {src}: {err}") return failed逻辑说明：max_workers默认 4，按机器核数调整，OCR 并发过高会争抢 CPU 导致整体变慢。中间文件用_tmp_前缀并在成功后删除，避免污染输出目录。失败清单单独收集，批量任务最忌讳一个错误中断全部，有了清单可以针对性重跑。glob的格式列表按需增减，TIFF 多页文件这里按单页处理，多页 TIFF 需要额外拆分逻辑。
4. 避坑与排查：双层PDF转换里最容易翻车的五件事
4.1 搜不到文字，Ctrl+F 一片空白
现象：PDF 能正常打开，图像清晰，但搜索任何词都提示无结果。
原因：文字层没写进去，或者写进去了但渲染模式不对导致阅读器不索引。常见的是render_mode没设成 3，或者insert_textbox的矩形太小导致文字被裁掉没实际写入。
解决：先用 PyMuPDF 打开生成的 PDF，遍历页面get_text()看有没有返回内容。如果返回空，检查合成代码里insert_textbox是否真的执行了；如果有内容但搜不到，检查render_mode参数。另外确认 OCR 阶段conf阈值没设太高把文字全过滤了。
4.2 文字层和图像错位，选中文字对不上位置
现象：能搜到词，但选中高亮的位置和图像上的文字差了一截，越往页面底部偏得越厉害。
原因：DPI 换算不一致。预处理时把图片存成了 300 DPI，但合成时按 72 DPI 算，或者反过来。像素到点的换算系数用错，偏移会随坐标线性放大。
解决：全程统一 DPI。预处理保存时记下 DPI，合成时用同一个值算scale。验证方法是选页面左上角第一个词，看高亮框是否贴合，如果贴合但底部偏移，就是比例问题；如果整体平移，是原点问题。
4.3 中文识别成乱码或方框
现象：OCR 输出的文字层里中文全是乱码、问号或方框，英文正常。
原因：Tesseract 没装中文语言包，或者lang参数只写了eng。另一种可能是字体问题，合成 PDF 时用的字体不支持中文，写入的文字层编码错误。
解决：tesseract --list-langs确认chi_sim在列表里，没有就装语言包。合成时 PyMuPDF 默认字体对中文支持有限，建议嵌入支持中文的字体文件，或者用fontname指定系统里的中文字体。OCR 阶段lang必须带chi_sim。
4.4 批量跑到一半内存爆掉
现象：处理几十张后程序变慢直至卡死，或者直接抛内存错误。
原因：图像对象和 PDF 文档对象没及时释放，尤其是循环里fitz.open打开的文档没close。OpenCV 的大图也占内存，累积起来很快。
解决：每个文件处理完显式close文档和图像对象，中间文件及时删除。并发数别开太高，max_workers控制在核数一半以内。如果单张图特别大，预处理阶段先缩放再 OCR，没必要用原始分辨率硬扛。
4.5 输出文件体积异常大
现象：几十页的 PDF 几百 MB，传输和归档都费劲。
原因：图像层用了无损 PNG 且分辨率过高，或者每页都嵌入了完整字体。双层 PDF 的体积主要来自图像层，文字层占比很小。
解决：图像层在保证 OCR 识别率的前提下适当压缩，300 DPI 的灰度图用 JPEG 质量 85 左右通常够用，比 PNG 小很多。字体只嵌入用到的子集，PyMuPDF 保存时用deflate=True压缩。如果原图是彩色的但内容是黑白文字，预处理转灰度能省一大半体积。
5. 进阶技巧：用置信度过滤和分栏识别把准确率再拉一档
批量转换跑通之后，真正拉开差距的是识别准确率。默认参数在规整文档上够用，但遇到分栏排版、表格、中英混排的扫描件，词序会乱、坐标会飘。这里分享两个我常用的调优手段。
第一个是置信度分级过滤。前面代码里用conf > 40一刀切，实际上可以分档处理：高置信度（>80）直接写入文字层；中置信度（40 到 80）写入但标记出来，方便后续人工抽检；低置信度（<40）直接丢弃，避免乱码污染检索结果。这样既保证检索干净，又留了复查线索。
def split_by_confidence(words, high=80, low=40): high_conf, mid_conf, low_conf = [], [], [] for w in words: if w["conf"] >= high: high_conf.append(w) elif w["conf"] >= low: mid_conf.append(w) else: low_conf.append(w) # 只把高和中置信度写入文字层，低置信度丢弃 return high_conf + mid_conf, mid_conf逻辑说明：high和low两个阈值把词分成三档，返回的第二个值是中置信度清单，可以导出成 CSV 供人工核对。实际使用时，如果某页中置信度词占比超过 30%，说明这页图像质量有问题，值得回头重新预处理而不是硬转。
第二个是分栏识别。Tesseract 的--psm 3在分栏页面上会把左右栏的文字交错读取，导致文字层顺序错乱，检索时词序不对。解决办法是先做版面分析把页面切成栏，每栏单独 OCR，再按栏的顺序合并坐标。简单做法是用投影法：对二值图做水平投影，找到栏间空白带，按空白带切分。
| 参数 | 适用场景 | 不适用场景 |
|---|---|---|
| --psm 3 | 单栏规整文档 | 分栏、表格、图文混排 |
| --psm 4 | 单栏多段落 | 多栏 |
| --psm 6 | 整页均匀文本块 | 有分栏或表格 |
| --psm 11 | 稀疏文本、截图 | 密集正文 |
| --psm 12 | 带方向检测的稀疏文本 | 规整文档 |
表格里的 psm 值按实际版面选，拿不准就每个试一遍，看image_to_data返回的词序是否和阅读顺序一致。分栏页面我一般先用--psm 3跑一遍看词序，如果发现左右栏交错，再切栏重跑。
还有一个容易被忽略的点是字体嵌入。PyMuPDF 默认用 Helvetica 写文字层，中文会变成方框。稳妥做法是准备一个支持中文的 TTF 字体文件，合成时用fontfile参数嵌入。字体文件别用系统里随便找的，选一个字符集完整的，否则生僻字还是会缺。
# 合成时嵌入中文字体，避免文字层中文变方框 page.insert_textbox( fitz.Rect(x0, y0, x1, y1), w["text"], fontsize=w["height"] * scale * 0.8, fontname="china-s", # PyMuPDF 内置的简体中文字体代号 render_mode=3 )逻辑说明：fontname="china-s"是 PyMuPDF 内置的简体中文字体，不用额外指定字体文件，省事且兼容性好。如果内置字体不够用，再用fontfile指定外部 TTF。注意嵌入字体会增大文件体积，但中文场景下这是必要开销，不嵌入的话文字层等于废的。
从那以后我每次批量转换前，都会先拿三五张最有代表性的图跑一遍全流程，确认搜索、选中、体积三项都正常，再放开整批。这个习惯帮我省过好几次重跑几百张的后悔药。希望帮到你。
本文还有配套的精品资源，点击获取
