安装额外的语言包

OCRmyPDF 使用 Tesseract 进行 OCR，并依赖其语言包支持所有语言。在大多数平台上，Tesseract 默认安装英语，但并不总是如此。

Tesseract 支持大多数语言。语言通过标准化的三字母代码（称为 ISO 639-2 Alpha-3）进行标识。 Tesseract 的文档还列出了您语言的三字母代码。有些是英语化的，例如西班牙语是 spa 而不是 esp，而其他则不是，例如德语是 deu，法语是 fra。

语言包（严格来说，Tesseract的“traineddata”文件）通常对应于相关语言，但在某些情况下会使用不同的语言包。对于德语，“Fraktur”语言包可以帮助阅读Fraktur字体家族的旧材料（deu_frak）。一些社区已经将其文字从西里尔字母改为拉丁字母；乌兹别克语的西里尔字母版本为uzb_cyrl，拉丁字母版本为uzb。

安装语言包后，您可以使用ocrmypdf -l 来使用它，例如ocrmypdf -l spa。对于多语言文档，您可以指定所有预期的语言，例如ocrmypdf -l eng+fra表示英语和法语。除非指定了其他语言，否则默认使用英语。

对于Linux用户，您通常可以找到提供语言包的软件包。

平台安装步骤

Debian 和 Ubuntu (apt)

# Display a list of all Tesseract language packs
apt-cache search tesseract-ocr

# Install Chinese Simplified language pack
apt-get install tesseract-ocr-chi-sim

然后你可以传递-l LANG参数给OCRmyPDF，以提示它应该搜索哪些语言。可以使用-l eng+fra（英语和法语）或-l eng -l fra来请求多种语言。

Fedora

# Display a list of all Tesseract language packs
dnf search tesseract

# Install Chinese Simplified language pack
dnf install tesseract-langpack-chi_sim

然后你可以传递-l LANG参数给OCRmyPDF，以提示它应该搜索哪些语言。可以使用-l eng+fra（英语和法语）或-l eng -l fra来请求多种语言。

Arch Linux

# Display a list of all Tesseract language packs
pacman -Ss tesseract-data

# Install German language pack
pacman -S tesseract-data-deu

然后你可以传递-l LANG参数给OCRmyPDF，以提示它应该搜索哪些语言。可以使用-l eng+fra（英语和法语）或-l eng -l fra来请求多种语言。

Gentoo

在Gentoo上，包app-text/tessdata_fast，即app-text/tesseract所依赖的包，负责处理Tesseract语言。它接受USE标志来选择应安装的语言，这些标志可以在/etc/portage/package.use中设置。或者，可以在/etc/portage/make.conf中全局设置L10N使用扩展。这将为所有包（例如包括aspell）启用这些语言。

# Display a list of all Tesseract language packs
equery uses app-text/tessdata_fast

# Add English and German language support for Tesseract only
echo 'app-text/tessdata_fast l10n_de l10n_en' >> /etc/portage/package.use

# Add global English and German language support (the `l10n_` from equery has to be omitted)
echo L10N="de en" >> /etc/portage/make.conf

# update system to reflect changed USE flags
emerge --update --deep --newuse @world

然后你可以传递-l LANG参数给OCRmyPDF，以提示它应该搜索哪些语言。可以使用-l eng+fra（英语和法语）或-l eng -l fra来请求多种语言。

macOS

您可以通过使用Homebrew安装Tesseract并包含所有语言包来安装额外的语言包。

Docker

OCRmyPDF Docker 镜像的用户应按照该部分所述将语言包安装到派生的 Docker 镜像中。

Windows

Chocolatey 提供的 Tesseract 安装程序目前仅包含英语语言。要安装其他语言，请从 https://github.com/tesseract-ocr/tessdata/ 下载相应的语言包（.traineddata 文件）并将其放置在 C:\\Program Files\\Tesseract-OCR\\tessdata（或 Tesseract OCR 安装的任何位置）。

自定义语言包

如果您已经微调或训练了Tesseract并生成了自定义的训练数据，您可以将您的customlang.traineddata文件复制到Tesseract的“tessdata”文件夹中，然后使用-l customlang参数告诉OCRmyPDF将该语言传递给Tesseract。