企业官网建设流程全解析

OCRmyPDF 离线安装：断网机器上给扫描 PDF 加文本层

【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

内网隔离机上堆着扫描件，Ctrl+F 失灵，机器连不上外网。OCRmyPDF 给扫描 PDF 补可搜索文本层，全程本地跑。离线装通四步走：查缺、补齐、放语言包、跑通再批量。

先给机器做体检：离线部署缺哪几样

离线部署最容易翻车的地方，是把一堆可选件全装上、却漏了真正不能少的那一个。OCRmyPDF 本体只是一个 Python 包，真正干活的是它调用的一圈外部程序；断网环境下，每样都得以文件形式实际躺在机器里，装不装得起来全看这一圈。

版本下限对照 安装文档：Python 3.11+（推荐 3.12+）、Tesseract 4.1.1+、Ghostscript 9.54+。体检很简单：各跑一遍python3 --version、tesseract --version、gs --version（装了 Ghostscript 才有），哪个报错就先补哪个。

按依赖顺序把缺口补齐

安装顺序是固定的：先 Tesseract，再 OCRmyPDF 本体，语言包最后单独处理——因为后两步的验证都要用到前一步的产物。

Linux 上系统包会顺手把依赖带齐，一条命令装两样：

# Debian / Ubuntu apt install tesseract-ocr ocrmypdf # Fedora（tesseract-osd 供页面自动旋转用，别漏） dnf install tesseract tesseract-osd ocrmypdf

macOS 一条brew install ocrmypdf就把 Tesseract、Ghostscript、jbig2enc 全带上了；Windows 用 winget 装 64 位 Tesseract，Ghostscript 目前得手动装，最后用uv tool install ocrmypdf收尾，官方不支持 32 位系统。

离线机的最后一公里是 Python 依赖。有网机器上先执行pip download ocrmypdf -d ./wheels，把整个wheels目录拷过去再装：

pip install --no-index --find-links=./wheels ocrmypdf # --no-index 保证完全不碰 PyPI，只认本地目录

语言包放对位置，离线识别中文才成立

语言包是整条链路里唯一需要手工摆放的文件，漏掉它，前面装得再全也只会认英语。

⚠️ 先认准语言代码：简体中文是chi_sim，不是zh。Debian/Ubuntu 装tesseract-ocr-chi-sim，Fedora 装tesseract-langpack-chi_sim，macOS 可以一步装全量包brew install tesseract-lang；Windows 没有现成包，从 tessdata 源下载chi_sim.traineddata放进tessdata目录（完整路径规则见 语言包文档）。

两个经典坑：手搓出来的tessdata目录若缺configs/子目录，Tesseract 会报cannot open its config file 'hocr'，从完整安装里把configs/抄过去即可（成因见 错误说明）；tessdata不在默认位置时，用TESSDATA_PREFIX环境变量指过去。

中英混排文档用ocrmypdf -l chi_sim+eng同时声明两种语言，比单语言跑得更稳。

跑通第一份扫描件，确认文本层真在

装完先别批量，两条命令确认环境完整：

ocrmypdf --version tesseract --list-langs # 列表里必须有 chi_sim

✅ 都正常之后，拿一份真实扫描件走完整链路：

ocrmypdf -l chi_sim --output-type pdfa 扫描件.pdf 扫描件_ocr.pdf

参数不多：-l是--language的简写；--output-type pdfa输出 PDF/A 存档格式，适合长期保存，不需要就去掉。处理过程长这样——并行扫描、OCR、后处理、压缩，全程不出本机：

跑完用阅读器打开输出文件：画面还是那张扫描件，但文字可以框选、搜索，说明文本层已压在图像底下。把几行字复制出来贴进文本编辑器核对一下，识别质量是否达标一眼便知。输入若是图文混排、部分页已有文本，加--mode skip跳过已有文本的页，只处理纯扫描页。

从一份到一批：断网环境批量 OCR 扫描件

单文件跑通之后，批量只有三个台阶。

台阶一，循环。当前目录每个 PDF 出一份带ocr_前缀的副本：

for f in *.pdf; do ocrmypdf -l chi_sim "$f" "ocr_$f"; done

台阶二，现成脚本。仓库里的 misc/batch.py 把 ocrmypdf 当 Python 库用：递归找目录里的 PDF、逐个处理、结果写日志，拷一份改成自己的目录就能跑，核心就这几行：

for filename in start_dir.glob("**/*.pdf"): ocrmypdf.ocr(filename, filename, deskew=True)

台阶三，目录监听。misc/watcher.py 盯着一个目录，新放进来的 PDF 自动走一遍 OCR，适合扫描件持续产出的工位；它多依赖几个 Python 包，有网时装一次pip install "ocrmypdf[watcher]"即可，之后离线照常运行。

两个逃生参数：大文件内存吃紧时用--pages 1-20分段跑；某份文件报page already has text，说明它本身已可搜索，跳过即可，或加--mode redo重做识别。

现在就可以把那堆扫描件丢进监听目录，让离线机自己跑起来。各平台差异与更多参数见 安装文档、语言包文档。

【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