OCRmyPDF 离线使用完全指南：断网环境装好它，把扫描件批量转成可搜索 PDF

OCRmyPDF 离线使用完全指南：断网环境装好它，把扫描件批量转成可搜索 PDF

【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

OCRmyPDF 的作用是把扫描版 PDF（或图片）转成带隐藏文字层、可搜索可复制的文档。它运行 OCR 时完全不需要联网，前提是三样东西在断网前就装齐：Python 运行时、Ghostscript（负责把页面栅格化和重排 PDF）、Tesseract（真正干识别活的语言引擎）。下面按"断网前备料 → 分系统装好 → 离线配置 → 常用命令 → 批量玩法 → 断网排障"的顺序走一遍。

断网后缺什么：一次说清 4 个依赖

OCRmyPDF 本体只是一个 Python 程序，它不会自己下载任何东西，但会调用外面装的工具。断网后装不上或跑不起来，问题基本出在下表这几行：

另外注意：Python 依赖包（pikepdf、Pillow、fpdf2 等十几个）也要一并备齐，否则本体装得上、跑不起来。

断网前先把物料备齐：一份可以直接执行的清单

Linux：一条命令把系统包和 wheel 全下下来

在同架构、同版本的联网机器上执行（离线机器是 Debian/Ubuntu 就选第一条命令）：

# Debian/Ubuntu：下载 ocrmypdf、Ghostscript、Tesseract 及简体中文语言包 apt-get download ocrmypdf ghostscript tesseract-ocr tesseract-ocr-chi-sim python3 # Fedora：同样思路，换成 dnf dnf download --resolve ocrmypdf ghostscript tesseract tesseract-langpack-chi_sim # Python 依赖的 wheel：pip 直接下载、不安装，全部落到 ./wheels/ pip download ocrmypdf -d ./wheels/

把目录里的全部文件拷到离线机器即可。

macOS：用 brew bundle 把整条工具链打成一个包

brew bundle dump -f -w -g -n > Brewfile # 把当前已装的依赖导出成清单 brew bundle --file=Brewfile --write --global --github # 生成可离线搬运的 tarball

再顺手pip download ocrmypdf -d ./wheels/把 Python 侧备齐。

三个系统上分别怎么落地

Linux：先装 .deb / .rpm，再用本地 wheel 装本体

dpkg -i *.deb # 或 rpm -ivh *.rpm apt-get install -f -y # 兜底修复残留的依赖关系 pip install --no-index --find-links ./wheels/ ocrmypdf # 强制只用本地目录找包

--no-index --find-links是关键：它让 pip 放弃访问 PyPI，只从你拷进来的./wheels/里找包，彻底杜绝"装到一半卡在网络请求"。

Windows：按固定顺序装四样东西

先装 Python → Ghostscript → Tesseract（三家都是各自官网的常规安装包），然后用本地 wheel 装本体：

pip install --no-index --find-links C:\offline\wheels ocrmypdf

如果 Tesseract 没装在默认目录，给 Tesseract 配一个TESSDATA_PREFIX环境变量，指到它的tessdata文件夹，否则下一步就会报"找不到语言数据"。

macOS：恢复 brew 包，再装本体

brew bundle restore --global Brewfile.tarball brew untap homebrew/bundle # 恢复完清掉临时 tap pip install --no-index --find-links ./wheels ocrmypdf

装完任何系统，先跑ocrmypdf --version：能打印出版本且无报错，说明 Ghostscript 和 Tesseract 都被正确找到了。

离线配置要点：语言包、TESSDATA_PREFIX 与默认参数文件

无网环境下配置 Tesseract 语言包

语言包就是.traineddata文件，按三字母语言代码命名（简体中文是chi_sim，西班牙语是spa）。各系统的存放位置和离线获取方式：

目录不在默认位置时，设TESSDATA_PREFIX环境变量指过去即可，不需要改任何代码。多语言混排的文档用加号组合：ocrmypdf -l eng+chi_sim in.pdf out.pdf，-l就是告诉 Tesseract 按哪些语言识别。

用 ~/.ocrmypdf 固化常用参数

在用户主目录建一个~/.ocrmypdf文件，每行写一个参数，等价于每次手动敲：

--skip-text --output-type pdfa --optimize 2

这样批量跑脚本时不用把同一串参数重复写一遍，也减少敲错参数的机会。

高频命令速查：参数第一次出现时就解释清楚

最简调用只需要两个位置参数：

ocrmypdf in.pdf out.pdf

带完整参数的一个实际例子：

ocrmypdf --language chi_sim --skip-text --clean \ --output-type pdfa --optimize 2 input.pdf output.pdf

进阶玩法：批量处理与目录监听

断网时批量处理 PDF 的 shell 脚本

# 遍历当前目录，逐一转成 PDF/A，输出到 out/ mkdir -p out for f in *.pdf; do ocrmypdf -l eng+chi_sim --output-type pdfa "$f" "out/$f" done

文件多、路径跨目录、需要日志时，用仓库里的 misc/batch.py：它读一个"输入路径→输出路径"的列表文件，逐对处理，比裸 for 循环稳。

让 watcher 脚本盯着一个目录自动出件

misc/watcher.py 会持续监控一个文件夹，新 PDF 一丢进来就自动 OCR。它依赖watchdog这个额外 Python 包——离线机上要么提前装好，要么用pip download一起备进./wheels/，装不上它就别用这个玩法。

断网排障清单：按出现频率从高到低查

排错顺序建议固定：先看报错第一行点名的组件 → 对号入座上表 → 跑ocrmypdf --version验证依赖是否齐。

收尾速记

• 断网前备齐：系统包（Ghostscript、Tesseract、语言包）+ OCRmyPDF 的 wheel 及其全部 Python 依赖，拷进同一目录。
• 安装时 pip 永远带--no-index --find-links，只认本地物料。
• 跑批用 shell 循环或 misc/batch.py，盯目录出件用 misc/watcher.py。
• 报错先看语言包和 PATH 两处，十次里九次问题在这。

【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