[Tutorial] OCRmyPDF unter Windows nutzen (basierend auf Tesseract OCR)

OCRmyPDF kann unter Zuhilfenahme der Tesseract-Engine unter Windows durchsuchbare PDF-Dateien erzeugen.

In der Dokumentation von OCRmyPDF wird vorgeschlagen, Python und Tesseract mit winget zu installieren und manuell die neueste Version von Ghostscript.

Daher schlage ich vor:

Schritt 1:

In einer Eingabeaufforderung (cmd.exe):

winget install -e --id Python.Python.3.14 (aktuelle Version Stand 08-2026)

Alternativ Version 3.14.6 x64 für Windows oder neuer direkt via Python laden: https://www.python.org/downloads/windows/

Schritt 2:

Dann Tesseract 5.5.3 oder neuer bei Github manuell laden (Link: https://github.com/tesseract-ocr/tesseract/releases / Stand 08-2026 heißt die aktuelle Datei tesseract-ocr-w64-setup-5.5.3.20260724.exe) und dort auch gleich die deutsche Sprachdatei downloaden: https://github.com/tesseract-ocr/tessdata_best > deu.traineddata

Englisch hat Tesseract zwar ab Werk dabei, aber es gibt neuere, umfangreichere Englisch-Daten, als im Installerpaket von Tesseract. Daher an vorab genannter Stelle auch die eng.traineddata herunterladen, falls ihr Englisch nutzen wollt.

Schritt 3:

Nach dem Download Tesseract für Windows installieren.

Platzierung der Sprachdatei nach der Installation:
Bei einer 64-Bit-Installation platziert die Datei deu.traineddata (und ggf. Englisch) im Ordner C:\Program Files\Tesseract-OCR\tessdata. Benötigt ihr weitere Sprachen, müsst ihr die entsprechenden Trainingsdaten ebenfalls herunterladen und dort platzieren. Eine eventuell vorhandene Englisch-Datei im Zielordner bitte überschreiben.

Zur Referenz:

deu.traineddata 15.076 KB
eng.traineddata 22.917 KB

Schritt 4:

Ghostscript 10.6 oder neuer sollte man – wie oben erwähnt – aktuell meiden, die Version 10.5.1 kommt ohne den Bug aus. Stand Anfang 2026 hatten auch die neuesten Versionen von GS noch den Bug.

Diese Website aufrufen (Link: https://github.com/ArtifexSoftware/ghostpdl-downloads/releases#release-gs10051), im Untereintrag 10.5.1 > „Assets“ aufklappen und dort die
gs10051w64.exe herunterladen und danach installieren.

Schritt 5:

OCRmyPDF in einer Eingabeaufforderung in Python installieren:

py -m pip install ocrmypdf

Meine Praxis:

Ich nutze einen Ordner, in dem ich gescannte Dokumente ohne OCR ablege, und dort dann eine Batchdatei abfeuere. Die Stapelverarbeitungsdatei ist ein Einzeiler:
for /r %%f in (*.pdf) do ocrmypdf -l deu+eng --title "%%~nf" "%%f" "%%~nf - OCR%%~xf"

• Es werden alle PDFs im Ordner in durchsuchbare PDFs gemäß PDF/A umgewandelt (das ist die Standardeinstellung von Tesseract).
• Es werden Deutsch und Englisch als mögliche Sprachen angegeben und
• die Ausgabedateien erhalten einen Suffix, sodass aus Dateiname.pdf schließlich Dateiname - OCR.pdf wird.

Wenn Python seine Pfade sauber zu eurer Umgebungsvariablen PATH hinzugefügt hat, könnt ihr in jedem CMD-Prompt ocrmypdf ansteuern.

tl;dr

1. Aktuellste Python 64-Bit installieren
   (derzeit 3.14.6, ab 3.15 heißt es, der Windows Installer sei „retired“: The replacement on Windows is the Python install manager (pymanager / new py), not the old traditional EXE installer. Python.org says the install manager is now the Windows tool for installing and managing runtimes, that the traditional executable installer will stop being released with Python 3.16, and that the Microsoft Store app or the MSIX package is recommended.)
2. Tesseract 5.5.3 installieren
3. Ghotscript 10.05.1 installieren (Version 10.6 und 10.7 haben einen JPEG-Creation-Bug: „contains jpeg encoding errors that may corrupt images“)
4. OCRmyPDF installieren via py -m pip install ocrmypdf in einem Admin-CMD

In C:\Program Files\Tesseract-OCR\tessdata jeweils alle gewünschten Sprachen, also mindestens deu und eng traineddata-Dateien, platzieren – Downloadlinks siehe oben.

deu.traineddata 15.076 KB
eng.traineddata 22.917 KB

Die Liste der erkannten Sprachen eurer Installation könnt ihr euch anzeigen lassen:

"C:\Program Files\Tesseract-OCR\tesseract" --list-langs