扫描件、截图、别人发来的图片，里面明明有字，却只能一个字一个字敲进文档——这种活干过一次就记得。在线识别能省事，代价是把文件传给别人服务器；断网、涉密、或者只是嫌麻烦，这条路就走不通。Umi-OCR 换了个位置：识别引擎装在本机，不联网也能跑。它是一个用 Python 与 Qt 写的开源项目，MIT 协议，发布包解压即可使用，不必另装运行库。官方按系统分别出包，Windows 与 Linux 各有对应版本，界面语言也覆盖了十几种。

免费、开源、可批量的离线 OCR 软件——项目首页把自己的定位写得很克制，没有形容词，只列了三个属性。

截图之后，字就能划选

主界面是标签页结构，截图识别、批量识别、全局设置各占一页，可以再开新标签。截图页左边是刚抓下来的画面，右边一栏分设置与记录：识别完成后，左边的图里可以直接用鼠标划选文字，右边记录区按时间倒序列出每次结果，每条都标着置信度——0.92 这种数字算不上好看，但它诚实地告诉你这一行识别得把握有多大，需要人工复核的地方一眼能找到。2.1.5 之后多数标签页能切成左右或上下双栏，屏幕窄的时候把记录压到下方，图的显示面积能多出一截；按 Esc 直接隐藏主窗口，是给频繁截图的人留的快捷键。

排版解析：把乱序的方块排回人话

OCR 的原罪不是认错字，而是把两栏的段落按识别顺序堆成一锅粥。Umi-OCR 在文本后处理里放了排版解析，可以按多栏、单栏、单行几种方案重排识别结果，让输出的文字顺序贴近原文的阅读顺序。单栏单行方案还处理了另一种常见情况：两个相隔较远的文本块之间补一个空格，避免句子被粘连。这类细节不出现在功能列表里，但你复制一大段文字出来、发现不用再手动断句的时候，能感觉到差别。

批量那页，是一个小型流水线

批量识别页左边是文件列表，每行给出文件名、耗时与状态，状态栏里那个勾后面跟着的同样是置信度；顶部一条进度条，跑起来会显示已完成张数与百分比。右边记录区按文件分组，点哪张图就看哪张的结果，往下滚能看到同一批里其他文件识别出来的正文。真正省时间的不是并发，而是可以一边跑一边翻——识别完的文件先进列表，不必等整批结束。2.1.5 把图片与文档的加载改成异步，几万个子文件的文件夹也能流畅展开，进度条跟着走。同一个页面还有忽略区域：框出一块矩形，那块里的文字就不参与识别，截图自带的角标、水印、时间戳可以被整片跳掉。

扫描版 PDF 也能读

文档识别处理的是 PDF：一类是扫描件，页面里根本没有文字层，只能靠识别补出来；另一类本身就带文本层，可以直接抽取，省掉识别的功夫。输出有两种去向，提取成纯文本，或者生成一份双层可搜索 PDF——原件样子不动，底下压一层看不见的文字，之后用阅读器搜索、复制都正常。2.1.5 修了两个与这相关的毛病：页面旋转时自带文本被漏掉，以及生成单层 PDF 时原文本没写进去。对需要归档的合同、说明书这类文件来说，这两处比新功能重要。

能给别的程序调用，才是它真正的用法

界面之外，它留了两个入口。命令行可以在启动时带指令，也能在运行时远程下达任务；HTTP 接口则把它变成一个本地服务，截图、图片、PDF 都能通过请求提交，返回结果里带每行的坐标与置信度。Linux 版本还能以容器方式跑起来，接在自己的流程里。2.1.5 补上的日志机制就是为这条路准备的：带命令行参数启动可以看到实时日志，指定级别以上的记录落到日志目录，排查一次识别失败不用再靠猜。2.1.5 还加了重新加载配置的指令，改完参数不必重启整个程序。

两个需要提前知道的边界

识别引擎是插件形式，发布时按引擎分成两个包：性能好的那个对 CPU 指令集有要求，奔腾、赛扬、凌动这类老处理器跑不起来，遇到初始化失败要换成兼容版。这不是缺陷，是推理框架本身的限制，项目文档里写得很直接。另一条边界是它只做识别，不做版面还原——表格识别出来是文字流，想要保结构得自己再排。界面语言覆盖了十几种，通过社区翻译平台维护，中文与英文都在里面。

把 Umi-OCR 2.1.5 放回使用场景里看，它解决的问题很窄：把图片和扫描件里的字，变成可以复制、可以搜索、可以喂给别的程序的文本，而且这个过程不出本机。截图划选、批量排队、忽略区域、双层 PDF、命令行与接口，这几件事凑在一起，够覆盖从偶尔用一次到接进自动化流程的全部距离。免费开源、不要账号、不联网，对需要处理敏感材料的场景来说，这三点本身就构成了选择理由。