OCRmyPDF 多语言 OCR 配置指南：让中文扫描 PDF 可搜索的完整路径

OCRmyPDF 多语言 OCR 配置指南：让中文扫描 PDF 可搜索的完整路径

【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF

PDF 里明明写着合同金额，Ctrl+F 搜了半天一个结果都没有——扫描件本质是图片，没有文字层。OCRmyPDF 就是给这类 PDF 补上可搜索文字层的工具，配上 Tesseract 的多语言支持，中文照样能识别、能搜索。咱们先 5 分钟跑通中文识别，再按"症状"调参数。

5 分钟跑通：Linux + 中文简体

先说个概念：Tesseract 认语言靠的是三字母代码（ISO 639-2），中文简体是chi_sim，繁体是chi_tra，日文jpn，韩文kor。装语言包就是把对应代码的模型文件放进系统。

Ubuntu/Debian 上两条命令装好引擎和中文包，再用 pip 装上 OCRmyPDF：

sudo apt install tesseract-ocr tesseract-ocr-chi-sim pip install ocrmypdf

装完花 10 秒确认两件事：版本和语言代码。

tesseract --version # 需要 4.1.1 以上 tesseract --list-langs # 输出里应该有 chi_sim

⚠️ 如果你的版本是 5.4.0，先换掉：这个版本有回归问题，OCRmyPDF 会直接拒绝工作。

然后对一份中文扫描件开跑（下面这个文件换成你自己的）：

ocrmypdf -l chi_sim 合同扫描件.pdf 合同_已识别.pdf

用pdftotext验一下文字层真的写进去了：

pdftotext 合同_已识别.pdf - | grep 合同

能搜到内容，恭喜，最短路径通了。像下面这种老式扫描页，就是它最典型的输入：

💡 文档里中英混排很正常，语言代码用+连起来就行：-l eng+chi_sim。不写-l时默认只认英语。

换台机器，语言包最省事的装法

语言包文件叫.traineddata，说白了就是 Tesseract 的"语言教材"。不同系统拿到它的办法不一样，给你各系统里最省事的方案。

Windows：手动放文件

Windows 的 Tesseract 安装包只带英语，得手动补：从 Tesseract 官方的 tessdata 仓库下载目标语言的.traineddata文件（中文简体就是chi_sim.traineddata），复制进 Tesseract 安装目录下的tessdata文件夹（常见路径C:\Program Files\Tesseract-OCR\tessdata\）。放完再跑一次tesseract --list-langs确认。

macOS：一条命令带全

Homebrew 装 Tesseract 时把所有语言包一起拉下来：

brew reinstall tesseract --all-languages

装完所有代码都能用，不用一个个挑。

Docker：派生一个新镜像

官方镜像里同样只保证英语。写个 Dockerfile 在官方镜像基础上补语言包：

FROM jbarlow83/ocrmypdf RUN apt-get update && apt-get install -y tesseract-ocr-chi-sim

docker build -t ocrmypdf-zh .之后，新镜像里中文就可用了。更多细节看 docs/docker.md。

识别乱码或不准？按症状下药

先别急着翻参数大全，先看你的问题长得像下面哪种。

症状一：字丢了、位置乱了

多半是自动版面分析没扛住排版。--tesseract-pagesegmode用来告诉 Tesseract"这一页长什么样"：单栏干净扫描件给6（跳过版面猜测，直接按整块读），图文混排给11（稀疏文本，保留原文位置）。比如下面这种地图页，文字零散分布在图之间：

ocrmypdf -l chi_sim --tesseract-pagesegmode 11 图纸.pdf 图纸_已识别.pdf

症状二：底灰、亮度不均、错字多

Tesseract 5.0+ 支持调二值化算法（把灰图变黑白图的过程），对应--tesseract-thresholding。默认的全局 otsu 遇到光照不均就会翻车，这种旧扫描件就是典型：

• 背景颜色变化大 →--tesseract-thresholding adaptive-otsu
• 对比度低、字迹发虚 →--tesseract-thresholding sauvola

症状三：整页报"图像太大"或识别超时

Tesseract 有单边上界（32767 像素），超大幅扫描图会直接失败。加--tesseract-downsample-large-images让 OCRmyPDF 先缩小再识别，图特别大的话顺手把--tesseract-timeout调高一点，给它留够时间。

症状四：整体精度上不去

默认引擎模式（--tesseract-oem 3，自动选择）大多数情况够用；如果换了语言包后效果还是平平，可以强制走 LSTM 神经网络引擎试试：--tesseract-oem 1。另外，阿拉伯文这类复杂排版如果字序错乱，用--pdf-renderer sandwich强制走 Tesseract 内置渲染器，能解决大部分回排问题。

一次处理一堆文件

手点命令太累，批量就靠 for 循环。假设一批中文发票要统一加文字层并输出成 PDF/A：

mkdir -p 已完成 for f in 发票_*.pdf; do ocrmypdf -l chi_sim --output-type pdfa "$f" "已完成/$f" done

再进阶一点：专业文档里总有反复出现、标准语言包不认识的术语，--user-words可以喂一个词典（UTF-8 纯文本，每行一个词）：

# 医学术语，每行一个 echo "心肌梗死" > 术语.txt ocrmypdf -l chi_sim --user-words 术语.txt 病历.pdf 病历_已识别.pdf

还有种特殊情况：日文竖排文档。要装竖排专用语言包jpn_vert，同时把分段模式设成5（单竖列）：

ocrmypdf -l jpn_vert --tesseract-pagesegmode 5 竖排文档.pdf 竖排_已识别.pdf

排坑清单

每条都是"症状 → 原因 → 一条命令验证"，直接照抄。

1. 报"语言不可用"→ 代码写错了，中文简体是chi_sim，不是zh也不是cn。 验证：tesseract --list-langs，看输出里到底有哪些代码。
2. 程序启动就报错，提到 5.4.0→ 该版本有回归，被明确不支持。 验证：tesseract --version，不达标就升级或换回 5.x 其他版本。
3. 识别出来全是乱码英文→ 忘了-l，默认只认英语。 验证：pdftotext 输出.pdf - | head，肉眼确认文字层是不是你期望的语言。
4. 个别页没有文字层→ 大概率是图像超限，Tesseract 单页失败了。 验证：重跑一次加上--tesseract-downsample-large-images，再对同一页执行第 3 条的pdftotext命令对比。

参数速查表

拿不准就按这一行抄，"为什么"列说明了每组合对应的场景：

文档情况	推荐参数组合	为什么
常规中文文档	-l chi_sim	默认引擎和阈值就够用
中英混排	-l eng+chi_sim	一份文档里两种语言都要认
单栏干净扫描件	-l chi_sim --tesseract-pagesegmode 6	跳过版面猜测，更稳更快
图文混排页面	--tesseract-pagesegmode 11	稀疏文本，保留原文位置
光照不均的扫描	--tesseract-thresholding adaptive-otsu	局部阈值适应背景变化
低对比度、字迹发虚	--tesseract-thresholding sauvola	按局部标准差做二值化
超大幅图像	--tesseract-downsample-large-images	绕开 32767 像素上限
日文竖排	-l jpn_vert --tesseract-pagesegmode 5	竖排语言包 + 单竖列模式
精度始终上不去	--tesseract-oem 1	强制 LSTM 神经网络引擎

动手清单

1. 装语言包，跑tesseract --list-langs确认代码在列。
2. ocrmypdf -l chi_sim 输入.pdf 输出.pdf，再用pdftotext验证能搜到字。
3. 还不准才动参数——对照上面速查表挑一行，一次只改一个。

想深入的话，看 官方多语言文档 docs/languages.md，各平台语言包安装方式都有；用 Docker 的话再看 docs/docker.md。

【免费下载链接】OCRmyPDFOCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched项目地址: https://gitcode.com/GitHub_Trending/oc/OCRmyPDF