Windows 原生安装 OCRmyPDF:Python、Tesseract、Ghostscript 依赖与 pip 安装步骤

原创2026-09-09 21:41:242,326 阅读
文章标签:CLIOCR图像处理插件系统

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):

  1. 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
    
  2. 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)。

登录后查看全文
OCRmyPDF