三步起步 Umi-OCR：免费离线文字识别软件的上手全记录
项目地址: https://gitcode.com/GitHub_Trending/um/Umi-OCR 先讲一个真实发生过的下午。你收到一份扫描版的合同 PDF，老板催着要把里面的关键条款整理成 Word；电脑桌面上还堆着十几张课程 PPT 的截图，想复制文字却只能对着屏幕手打；手机相册里躺着几十张纸质笔记的照片，早就想整理成电子笔记，却一直懒得动手。这些"图片里的文字搬不出来"的瞬间，是不是很熟悉？
Umi-OCR 就是专门解决这个问题的——一款免费、开源、完全离线运行的文字识别软件。它最大的卖点是：解压即用、不联网也能跑，图片丢进去，文字吐出来。下面这份记录，是我从下载到熟练使用全程的亲测总结，希望能让你少走弯路。
它到底是个什么工具？一句话说清楚
Umi-OCR 是一个运行在电脑本地的小软件，把图片里的文字识别成可复制、可编辑的文本。它不需要注册账号，不需要上传文件到云端，所有识别都在你自己的电脑上完成——对隐私敏感的人可以放心用。
它的能力可以浓缩成一张表：
| 能力 | 一句话说明 | 典型场景 |
|---|---|---|
| 截图识别 | 快捷键框选屏幕任意区域，即时出文字 | 网页、软件界面、视频里的字 |
| 批量识别 | 一次性导入大量图片统一处理 | 扫描件、照片、截图归档 |
| 文档识别 | 读取 PDF 等电子文档并提取文字 | 扫描版 PDF 转可搜索文本 |
| 二维码 | 既能扫码也能生成码 | 信息分享、快捷录入 |
三步走：从下载到第一次成功识别
别被"OCR"这种术语吓到，上手真的只要三步：
- 下载并解压。项目仓库提供
.7z压缩包，解压到任意目录（建议纯英文路径，能避免很多兼容性小问题）。 - 双击启动。运行
Umi-OCR.exe（Windows）或umi-ocr.sh（Linux x64），不需要安装，解压即用。 - 打开"截图OCR"标签页，按下快捷键。默认的截图快捷键可以框选屏幕区域，松开鼠标，识别结果立刻就出来了。
截图识别界面：左侧是原图，右侧是识别记录，鼠标划选即可复制
第一次成功把屏幕上的字"搬"成可编辑文本的那一刻，你会觉得：原来 OCR 软件离普通人这么近。
入门：把截图识别练成肌肉记忆
截图识别是这个软件使用频率最高的功能，值得花十分钟把细节摸透。
- 识别结果怎么用：识别完成后，文字出现在右侧记录栏，你可以用鼠标划选多行一起复制，也可以右键呼出菜单，一键"复制全部"。
- 不用截图也能识别：在别的软件里复制了一张图片？直接粘贴到 Umi-OCR，照样能识别。截错图了也不用重截，支持对上次截图重复操作。
- 排版乱的救星：识别出来的文字顺序不对、一段一段乱跳？这是排版解析的问题。软件内置了"文本后处理"方案，默认的"多栏-按自然段换行"适合大多数页面，会自动理解多栏布局并按正确顺序输出。
这里有个小技巧：如果你经常需要识别代码截图，记得把排版方案切换为"单栏-保留缩进"。它能保住行首缩进和行中空格，识别出来的代码几乎可以直接粘回编辑器里用。
代码截图识别：保留缩进与代码结构，是程序员的顺手小工具
读完这节你能得到：掌握了截图识别的完整操作流，包括快捷键、复制技巧和排版解析的选法，日常"搬字"需求基本覆盖。
熟练：批量处理，把"能用"变成"好用"
当你的需求从"偶尔截个图"变成"把几百张图一次性转成文字"，就该打开批量OCR标签页了。
操作路径很直观：把图片拖进列表 → 点"开始任务" → 在右侧记录里查看每张图的结果。整个任务有进度条和耗时统计，一次塞几百张图片也没问题。
批量识别：左侧文件列表带进度和置信度，右侧逐张查看识别记录
批量场景里有两个值得专门学会的设定：
- 输出格式：识别结果可以保存为
txt、jsonl、md、csv（Excel 可用）四种格式。想做笔记就选 Markdown，想做数据分析就选 CSV，按需取用。 - 忽略区域：批量处理的图片里经常带着水印、LOGO、页眉页脚，这些字混进结果里非常碍事。忽略区域编辑器允许你在预览图上按住右键框出矩形，把这些"不想识别的区域"排除掉，识别结果立刻干净一大截。
任务跑完还能设置自动关机或待机——睡前挂上几百张图的识别任务，第二天醒来直接收结果，属于懒人福音。
读完这节你能得到：批量导入、格式输出、忽略区域三个核心操作，从此处理大量图片不再手忙脚乱。
进阶：文档、二维码，以及让软件替你打工
当你对图形界面已经驾轻就熟，可以试试这三件"进阶武器"。
第一件：PDF 文档识别。 把扫描版 PDF 拖进"文档识别"标签页，它能把里面的文字提取出来，甚至生成双层可搜索 PDF——也就是"看起来还是扫描件，但里面的文字可以搜索、可以复制"。处理带页眉页脚的扫描书时，照样可以画忽略区域把它们排除掉。支持 pdf、xps、epub、mobi、fb2、cbz 等多种文档格式。
第二件：二维码。 截图、粘贴或拖入一张带二维码的图片，可以读出里面的内容，一张图里多个码也能一起识别。反过来，输入一段文本就能生成二维码图片，还支持 19 种条码协议和纠错等级参数，应急扫码或生成分享码都很方便。
第三件：让软件替你打工——命令行与 HTTP 接口。 Umi-OCR 支持用命令行直接操控，比如：
# 对指定图片/文件夹执行识别，结果输出到文件
umi-ocr --path "D:/扫描件目录" --output result.txt
# 直接弹起截图，识别完自动复制到剪贴板
umi-ocr --screenshot --clip
# 识别二维码图片
umi-ocr --qrcode_read "D:/code.png"
所有指令支持前几个字母简写，比如 --screenshot 可以写成 --sc。如果你写脚本，还可以调用它内置的 HTTP 接口（默认 127.0.0.1:1224，仅本地回环，不会泄露到外部网络），把 OCR 能力接进自己的程序里。完整的指令清单见 命令行手册，接口定义见 HTTP 接口文档。
顺带一提，界面语言、主题、字体、快捷键这些都能在"全局设置"里调，第一次启动时会跟随系统语言自动切换，多语言界面长这样：
读完这节你能得到：把 Umi-OCR 从"手动工具"升级成"可脚本化的生产力组件"的能力。
一场完整实战：手机照片变成 Markdown 笔记
把前面的能力串起来，走一遍真实流程。假设你有 30 张纸质笔记的照片，想整理成电子版：
- 把照片从手机传到电脑，统一放进一个文件夹；
- 打开 Umi-OCR 的批量OCR页，把整个文件夹拖进去；
- 输出格式选
md，点开始任务，等待跑完； - 若照片里有水印或无关文字，先在"忽略区域"里框掉再跑；
- 得到一份 Markdown 文件，导入笔记软件，收工。
整个过程不需要联网，识别速度取决于你的 CPU，半小时内通常能完成。如果你经常做这件事，甚至可以写一个命令行脚本，把这套流程彻底自动化。
踩坑手记：几个常见问题与解决口诀
新手最容易在下面几个地方卡住，我踩过，帮你把坑填平：
- 截屏时画面闪烁、界面错位 → 多半是显卡加速渲染的问题。去"全局设置 → 界面和外观 → 渲染器"切换渲染方案，或直接关闭硬件加速，一般立刻痊愈。口诀：闪烁就切渲染器。
- 长图、大图识别不全 → 默认会压缩超大图片以换取速度，导致细节丢失。在页面的"设置 → 文字识别 → 限制图像边长"里调高数值，甚至选"无限制"。口诀：大图先看边长限制。
- 识别结果混进一堆水印文字 → 批量页里用忽略区域框住水印，重跑一次。口诀：水印画框屏蔽掉。
- 命令行指令没反应 → 先确认全局设置里"HTTP 服务"是开启的，命令行依赖它做跨进程通信。口诀：命令行依赖本地服务。
坦诚的边界：它不擅长什么
有经验的用户都知道，一个工具最有价值的说明，往往写在"它做不到什么"里。Umi-OCR 目前也有一些明确的边界：
- 它不支持把表格图片直接还原成 Excel 表格（输出 CSV 是识别文本的 CSV，不是重建表格结构）；
- 它没有图片翻译、离线翻译功能，数学公式识别也仍在远期规划中；
- 它目前主要面向 Windows 7 x64 和 Linux x64，macOS 尚不支持；
- HTTP 接口对并发调用支持较弱，大批量持续调用时偶尔会出现连接报错，重试即可。
了解这些边界，能帮你避免把它用错地方——它是优秀的文字提取工具，而不是万能的文档处理套件。开发者如果感兴趣，可以查看项目的 更新日志 和 构建说明 来了解它的演进方向。
写在最后
如果你也经常跟"图片里的文字"打交道，我建议你今天就把 Umi-OCR 下载下来，用三分钟完成那"三步走"，然后对着屏幕随便截个图试试。工具是免费的，试错的成本是零，但省下来的时间却是实打实的。
最后多说一句：Umi-OCR 是开发者用业余时间维护的开源项目，如果你用着顺手，觉得它帮到了你，不妨在社区里给它点个赞、反馈一条使用建议，或通过官方渠道支持作者。你的一点点善意，是这类免费工具能长久走下去的动力。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
