从零开始:安卓手机搭建本地PDF OCR

从零开始：安卓手机搭建本地PDF OCR，我踩过的那些坑

写在前面

最近想把手机上的PDF文件转成可编辑的文本，又不想把文件上传到云端，于是决定在安卓上通过 Termux + Python + Tesseract 搭建一套本地OCR方案。

本以为是个常规操作，没想到一路踩坑不断——镜像源被屏蔽、语言包找不到、命令用错、脚本跑不起来……从开始到最终成功，走了不少弯路。

这篇教程不仅记录完整流程，更把每个坑的位置和填坑方法都标出来，希望你能一次性成功，不用重蹈我的覆辙。

一、基础环境搭建（相对顺利的部分）

1.1 安装 Termux

⚠️ 注意：不要从 Google Play 安装 Termux，那个版本已长期未更新，建议从 F-Droid 或 GitHub Releases 下载最新版。

安装后打开，执行存储授权：

termux-setup-storage

1.2 安装 Python 和 Tesseract

pkg update && pkg upgrade -y

pkg install python tesseract poppler -y

为什么安装 poppler？后面 Python 的 pdf2image 库依赖它来将 PDF 转为图片。

1.3 安装 Python 依赖库

pip install pytesseract pdf2image Pillow PyPDF2

到这里为止，一切都很顺利，环境搭建好了。然而，真正的挑战才刚刚开始……

二、语言包安装——噩梦的开始

🕳️ 坑 1：pkg install tesseract-lang-chi_sim 找不到包

安装好 Tesseract 后，想添加中文支持，我理所当然地执行了：

pkg install tesseract-lang-chi_sim -y

结果：

E: Unable to locate package tesseract-lang-chi_sim

当时内心OS：什么？连包都找不到？

原因分析： Termux 仓库中可能根本没有打包这个语言包，或者包名不是我想象的那样。

🕳️ 坑 2：换源后依然找不到，甚至被镜像站拒绝访问

我以为是镜像源的问题，先换了清华源，结果：

Sorry, you've been denied access to this page (403)

又被拒了。再换中科大源：

Access denied Error code 403

连续被两个国内主流镜像站拒绝，这才意识到——不是源的问题，是 Termux 仓库本身可能就没有收录 Tesseract 的中文语言包。

搜索 pkg search tesseract 只返回了主包 tesseract 5.5.3，没有任何语言包的信息。

🕳️ 坑 3：尝试 tesseract-data-chi_sim 也不行

不死心，又尝试搜索 tesseract-data 相关包，结果中科大源再次返回 403。

安装 tesseract-data-chi_sim 依然提示：

E: Unable to locate package tesseract-data-chi_sim

至此，我彻底放弃了通过包管理器安装语言包这条路。

✅ 最终解决方案：手动下载语言包文件

既然包管理器走不通，那就直接下载 traineddata 文件放到指定目录。

进入 Tesseract 数据目录

cd $PREFIX/share/tessdata

下载简体中文语言包（约 4.6 MB）

wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/chi_sim.traineddata

下载英文语言包（通常已自带，如果没有则下载）

wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/eng.traineddata

修改文件权限（很重要！）

chmod 644 *.traineddata

为什么用 tessdata_fast？这是速度和精度平衡的版本，适合大多数场景。如果需要更高精度，可以改用 tessdata_best 版本。

验证语言包是否安装成功：

tesseract --list-langs

如果输出中出现了 chi_sim，说明安装成功。

🕳️ 坑 4：chi_sim_vert 竖排模型缺失

语言包安装好了，我迫不及待地测试：

echo "你好世界 Hello World" | tesseract stdin stdout -l chi_sim+eng

结果报错：

Error opening data file .../chi_sim_vert.traineddata

Failed loading language 'chi_sim_vert'

又是一脸懵——明明装了 chi_sim，为什么还要求 chi_sim_vert？

原因：当使用 chi_sim+eng 组合语言时，Tesseract 会尝试加载相关辅助模型，其中就包括竖排中文模型 chi_sim_vert。如果缺失就会报错，并导致后续参数解析异常。

解决方案：再下载一个 chi_sim_vert.traineddata 就行了：

wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/chi_sim_vert.traineddata

chmod 644 $PREFIX/share/tessdata/chi_sim_vert.traineddata

三、测试 OCR——又一个意想不到的坑

🕳️ 坑 5：stdin 不是让你直接传文本的

回到刚才的测试命令：

echo "你好世界 Hello World" | tesseract stdin stdout -l chi_sim+eng

除了语言包缺失的错误，还有另一个错误：

Error in fopenReadStream: failed to open locally with tail 你好世界 Hello World for filename 你好世界 Hello World

Leptonica Error in pixRead: image file not found: 你好世界 Hello World

这是我犯的一个低级错误。 tesseract stdin 的 stdin 期望接收的是图片数据（PNG、JPEG 等），而不是纯文本字符串。我把文本通过管道传进去，Tesseract 试图把它当作图片文件来解析，当然会报错。

正确的测试方式：使用一张实际的图片文件。

方式一：直接指定图片文件

tesseract /path/to/test.png stdout -l chi_sim+eng

方式二：通过管道传递图片数据（依然需要图片文件）

cat /path/to/test.png | tesseract stdin stdout -l chi_sim+eng

如果没有现成的测试图片，可以用 ImageMagick 生成一张：

pkg install imagemagick -y

convert -size 400x100 xc:white -font Courier -pointsize 24 -fill black -annotate +10+30 "你好世界 Hello World" test.png

tesseract test.png stdout -l chi_sim+eng

这次终于成功输出了识别结果 ✅

四、编写 Python 脚本：PDF → TXT

环境没问题了，接下来写 Python 脚本批量处理 PDF。

基本思路

对每个 PDF，先用 PyPDF2 尝试直接提取文本（适用于文本型 PDF）

如果提取结果为空（说明是扫描件/图片型 PDF），自动回退到 Tesseract OCR 识别

输出与 PDF 同名的 .txt 文件

🕳️ 坑 6：运行脚本提示"未找到 PDF 文件"

脚本写好了，执行：

python /sdcard/0/pdf/pdf.py

结果：

在 '.' 中未找到 PDF 文件

明明目录里有 PDF 啊！

原因：我在 ~ 目录下执行脚本，脚本中的 '.' 指向的是当前工作目录（~），而不是脚本所在的目录（/sdcard/0/pdf/），当然找不到 PDF 文件。

三种解决方案：

方案操作说明 ① 先切换目录 cd /sdcard/0/pdf/ && python pdf.py 每次都要 cd ② 指定目录参数 python pdf.py /sdcard/0/pdf/ 灵活但要多输参数 ③ 自动使用脚本目录修改脚本，用 Path(__file__).parent 一劳永逸

我选择了方案③，修改后的脚本核心改动：

from pathlib import Path

默认使用脚本所在目录

target_dir = str(Path(__file__).parent)

这样无论在哪里执行 python /path/to/pdf.py，都会自动在脚本所在目录下查找 PDF 文件。

五、完整脚本

#!/usr/bin/env python

-- coding: utf-8 --

import os

import sys

from pathlib import Path

from PyPDF2 import PdfReader

import pytesseract

from pdf2image import convert_from_path

★ 如果 pytesseract 找不到 tesseract，取消下面注释并设置路径

pytesseract.pytesseract.tesseract_cmd = '/data/data/com.termux/files/usr/bin/tesseract'

OCR_LANG = 'chi_sim+eng'

def extract_text_from_pdf_pypdf2(pdf_path):

"""使用 PyPDF2 提取文本（适用于文本型 PDF）"""

try:

reader = PdfReader(pdf_path)

text = ''

for page in reader.pages:

page_text = page.extract_text()

if page_text:

text += page_text + '\n'

return text.strip()

except Exception as e:

print(f" [PyPDF2] 提取失败: {e}")

return ''

def extract_text_from_pdf_ocr(pdf_path):

"""使用 Tesseract OCR 识别图片型 PDF"""

try:

print(f" [OCR] 正在转换 PDF 为图片...")

images = convert_from_path(pdf_path, dpi=300)

text = ''

for i, img in enumerate(images, start=1):

print(f" [OCR] 正在识别第 {i} 页...")

page_text = pytesseract.image_to_string(img, lang=OCR_LANG)

text += page_text + '\n'

return text.strip()

except Exception as e:

print(f" [OCR] 识别失败: {e}")

return ''

def convert_pdf_to_txt(pdf_path, txt_path):

print(f"处理: {pdf_path}")

text = extract_text_from_pdf_pypdf2(pdf_path)

if not text:

print(" [提示] 文本提取为空，尝试 OCR 识别...")

text = extract_text_from_pdf_ocr(pdf_path)

if text:

with open(txt_path, 'w', encoding='utf-8') as f:

f.write(text)

print(f" ✓ 成功保存: {txt_path}")

else:

print(f" ✗ 无法提取任何文本: {pdf_path}")

def main():

默认使用脚本所在目录，也可以通过命令行参数指定

if len(sys.argv) > 1:

target_dir = sys.argv

else:

target_dir = str(Path(__file__).parent)

if not os.path.isdir(target_dir):

print(f"错误: 目录 '{target_dir}' 不存在")

sys.exit(1)

pdf_files = [f for f in os.listdir(target_dir) if f.lower().endswith('.pdf')]

if not pdf_files:

print(f"在 '{target_dir}' 中未找到 PDF 文件")

return

print(f"找到 {len(pdf_files)} 个 PDF 文件，开始处理...\n")

for pdf_file in pdf_files:

pdf_path = os.path.join(target_dir, pdf_file)

txt_file = os.path.splitext(pdf_file)[0] + '.txt'

txt_path = os.path.join(target_dir, txt_file)

convert_pdf_to_txt(pdf_path, txt_path)

print()

print("全部处理完成！")

if __name__ == '__main__':

main()

六、使用说明

安装依赖

pip install PyPDF2 pdf2image pytesseract Pillow

下载中文语言包（如果还没做）

cd $PREFIX/share/tessdata

wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/chi_sim.traineddata

wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/chi_sim_vert.traineddata

chmod 644 *.traineddata

设置环境变量（可选但推荐）

export TESSDATA_PREFIX=$PREFIX/share/tessdata

echo 'export TESSDATA_PREFIX=$PREFIX/share/tessdata' >> ~/.bashrc

source ~/.bashrc

运行脚本

将脚本放到 PDF 所在目录，直接执行

python pdf_to_txt.py

或指定目录

python pdf_to_txt.py /sdcard/Download/

七、踩坑总结

序号坑原因教训 1 pkg install 找不到语言包 Termux 仓库可能未收录语言包不要依赖包管理器，学会手动下载 2 镜像源 403 被拒防盗链或异常流量触发多备几个源，关键时候手动下载更可靠 3 chi_sim_vert 缺失组合语言会加载辅助模型不仅下载 chi_sim，还要下载 chi_sim_vert 4 stdin 传文本报错误解了 stdin 的用途它接收的是图片数据，不是文本 5 脚本找不到 PDF 文件工作目录与脚本目录不一致使用 Path(__file__).parent 自动定位

写在最后

整个折腾过程耗时大半天，但最终跑通的那一刻还是很有成就感的。现在，我的安卓手机已经变身为一台完全离线、保护隐私的 PDF OCR 工作站。

如果你也想在手机上搞一套，希望这篇教程能帮你避开我踩过的那些坑。如果你能一次成功，那这篇文章就没白写 😄

有什么问题欢迎留言交流~

附：实用资源链接

Tesseract 语言包下载（tessdata_fast）：https://github.com/tesseract-ocr/tessdata_fast

Tesseract 官方文档：https://tesseract-ocr.github.io/

Termux 官方指南：https://termux.dev/