Windows 原生安装 OCRmyPDF:Python、Tesseract、Ghostscript 依赖与 pip 安装步骤
Windows 原生安装 OCRmyPDF:Python、Tesseract、Ghostscript 依赖与 pip 安装步骤
OCRmyPDF 用于给扫描版 PDF 添加可搜索的 OCR 文本层。在 Windows 上原生安装它没有一条可以一步完成的命令:需要先用系统包管理器装好 Python、Tesseract 和 Ghostscript 三个 64 位依赖,再用 pip 安装 OCRmyPDF 本身。完成本文后,你可以在 Windows 命令行直接运行 py -m ocrmypdf 对 PDF 执行 OCR。
适用前提(来自 安装文档):
- 64 位 Windows。32 位 Windows 不受支持,包括 32 位 Python 和 32 位 Ghostscript;
- 部分步骤需要管理员权限;
- 目前没有"一条命令装完"的方式,文档原文明确说明 "At the moment there is no single command to install Windows"。
安装前提:三个 64 位外部依赖
Windows 原生安装必须准备以下三件套(文档原文列出):
- Python 64-bit
- Tesseract 64-bit
- Ghostscript 64-bit
版本要求见 安装文档 的 "Requirements for pip and HEAD install" 一节:
| 依赖 | 要求 |
|---|---|
| Python | 3.11 或更新(推荐 3.12+) |
| Tesseract | 4.1.1 或更新 |
| Ghostscript | 9.54+;自 17.0.0 起变为可选,PDF 栅格化可改用 Python 包 pypdfium2 |
| fpdf2、uharfbuzz | Python 包,由 pip install ocrmypdf 自动带上的打包依赖 |
外部程序(Tesseract、Ghostscript 等)必须通过操作系统包管理器或手动安装满足,pip 无法提供它们。推荐安装全部 64 位版本。文档同时给出最低与推荐安装组合:
- 最低可用:tesseract-ocr +(pypdfium2 或 Ghostscript)+ fpdf2 + uharfbuzz
- 推荐:tesseract-ocr + pypdfium2 + Ghostscript + verapdf + fpdf2 + uharfbuzz + fonts-noto + unpaper + pngquant + jbig2enc
其中 jbig2enc、pngquant、unpaper 均为可选项,缺失时只是失去对应功能(例如 pngquant 只在 --optimize 为 2 或 3 时启用)。
安装 Python、Tesseract 与 Ghostscript
主路径:winget + 手动安装 Ghostscript
在命令行中用 winget 安装 Python 和 Tesseract:
winget install -e --id Python.Python.3.12
winget install -e --id UB-Mannheim.TesseractOCR
Ghostscript 需要手动安装:文档说明 Ghostscript 已不支持静默安装,因此 winget/Chocolatey 之外的包管理器装不了它,需要从 Ghostscript 官网下载页获取 64 位安装包,按提示手动完成安装。
可选分支:使用 Chocolatey
如果更习惯 Chocolatey,在一个管理员权限的命令提示符中执行:
choco install python3
choco install --pre tesseract
choco install pngquant
其中 choco install pngquant 是可选项,只在需要 pngquant 图像量化时安装。两套方式任选其一,装完即满足"Python + Tesseract + Ghostscript"的前置要求(Chocolatey 路线中 Ghostscript 仍需按上文手动安装,Chocolatey 列表里并不包含它)。
用 pip 安装 OCRmyPDF
依赖就位后,用 pip 安装 OCRmyPDF(用户身份或管理员身份均可):
python3 -m pip install ocrmypdf
如果 Python 是通过 winget 安装的,文档建议改用 py 启动器:
py -m pip install ocrmypdf
并且之后启动 OCRmyPDF 使用:
py -m ocrmypdf
另外,如果打算在 Windows 上运行多种 Python 软件,文档建议考虑 pipx 之类的工具,为每个软件创建隔离的 Python 环境(可选建议,非必需步骤)。
验证安装
确认安装的两个检查点(均基于文档给出的命令):
-
查看版本。文档给出的版本确认方式是
ocrmypdf --version;在 winget 安装的 Python 上按py -m形式调用即为:py -m ocrmypdf --version -
直接启动
py -m ocrmypdf。运行后如果还缺少外部依赖,程序会提示需要安装哪些依赖。
路径检测机制需要注意:OCRmyPDF 会检查 Windows 注册表以及 Program Files 下的标准位置来寻找 Tesseract 和 Ghostscript。如果你想让它使用其他版本,可以修改 PATH 环境变量来覆盖 OCRmyPDF 的选择。Tesseract 版本选择规则见 README:PATH 中没有 Tesseract 可执行文件时,Windows 上按注册表中记录的最高已安装版本使用。
限制与第一次运行
几个与 Windows 原生安装直接相关的边界:
- 语言包:语言文档 指出,Chocolatey 提供的 Tesseract 安装包目前只含英文语言。需要其他语言时,从 tesseract-ocr 的 tessdata 仓库下载对应的
.traineddata文件,放到C:\Program Files\Tesseract-OCR\tessdata(或 Tesseract 实际安装目录下的 tessdata 文件夹),然后用-l LANG参数指定语言,例如ocrmypdf -l fra input.pdf output.pdf。 - 32 位 Windows 整体不受支持,若遇到 32 位环境请改用 64 位系统或 Windows Subsystem for Linux 路线(后者在 安装文档 中单独给出步骤)。
- 可选依赖缺失时的行为:例如未安装 unpaper 时
--clean选项不可用;未安装 jbig2enc 时程序仍可正常工作,只是输出文件更大。
安装完成后,对一份扫描 PDF 执行 OCR 的最小命令(README 用法示例):
py -m ocrmypdf input.pdf output.pdf
input.pdf/output.pdf 替换为你自己的文件名。更多参数可通过内置帮助查看(winget Python 下为 py -m ocrmypdf --help,其他安装方式直接用 ocrmypdf --help)。