上个月帮家里整理老房子的材料，一摞九十年代的购房合同、缴费单、手写收据，全要变成能搜索的文字。第一反应是找在线识别网站，传了两张就停手了：这些纸上有身份证号、有账号、有地址。
后来用上 Umi-OCR。绿色包，解压完点 exe 就能开，不装运行库，不连网也能认。四万八千多颗星的项目，作者更新到 2.1.5，三周年那版还在维护。
截图 OCR 是最常用的那一页。按下快捷键框一块屏幕，左边出图，右边出字；图上的文字还能用鼠标划选，选中哪块就复制哪块。截图里那份讲 Python 的习题，右边记录栏已经把标题、需求、结果按行分好，右键就能整段拿走。
它有个不起眼但要命的功能叫忽略区域。批量识别网页截图时，右下角的水印、边栏的广告，框一次，以后每次自动跳过。做过公众号排版的人会懂，这一步省下的时间比识别本身还多。
排版解析是另一个细节。识别出来的字按什么顺序排，直接决定能不能用：多栏的说明书，选“多栏-按自然段换行”；代码截图，选“单栏-保留缩进”，行首空格不会被吃掉。竖排的旧书页它也认，前提是引擎支持。
批量页是我用得最多的地方。一次拖进十几张图，列表里逐条写着耗时和置信度，绿勾代表顺利完成，三角是结果可疑，得回头看。结果能存成 txt、jsonl、md，也能直接出 csv 给 Excel。
PDF 那一栏更狠：整本扫描件丢进去，出来的是一份双层 PDF——看着还是原来的图，但文字可以选中、可以搜索、可以复制。公司里那些只给图不给源的旧报告，靠这个才进得了检索系统。
再往下一层是接口。它自带命令行和 HTTP 服务，别的程序可以直接调，把识别塞进自己的流程里。我拿它接过一个自动归档脚本，扫描仪出图、识别、按关键词改名，全程没人管。
速度也别担心。一台五年前的轻薄本，批量识别五十张网页截图，大概两分钟出完，CPU 吃满但界面不卡；调低线程数还能边认边干别的。
引擎可以换。自带 Rapid 引擎兼容性好，Paddle 引擎快一些，两个都能装插件切换，识别不准的时候换一个试试，往往就对了。
缺点也摆着：公式识别是附加能力，复杂的数学式子还是会错行；竖排古籍要看引擎脸色；界面朴素得像十年前的软件，第一次打开甚至找不到设置在哪。可它认的字是干净的，这一点比什么都重要。
那摞合同最后整理出七十多页可搜索的 PDF，全程没联过一次网。这件事听起来很小，但对那些不能上传的文件来说，是唯一的选择。
甄宝园