Python 中 Tesseract OCR 的 UnicodeDecodeError

Question

我正在尝试在 Python 中使用 Tesseract OCR 从图像文件中提取文本，但我遇到了一个错误，我可以弄清楚如何处理它。我的所有环境都很好，因为我在 python!

中使用 ocr 测试了一些示例图像

这是代码

from PIL import Image
import pytesseract
strs = pytesseract.image_to_string(Image.open('binarized_image.png'))

print (strs)

以下是我从 eclipse 控制台得到的错误

strs = pytesseract.image_to_string(Image.open('binarized_body.png'))
  File "C:\Python35x64\lib\site-packages\pytesseract\pytesseract.py", line 167, in image_to_string
    return f.read().strip()
  File "C:\Python35x64\lib\encodings\cp1252.py", line 23, in decode
    return codecs.charmap_decode(input,self.errors,decoding_table)[0]
UnicodeDecodeError: 'charmap' codec can't decode byte 0x9d in position 20: character maps to <undefined>

我在 Windows10

上使用 python 3.5 x64

Answer 1

问题是 python 正在尝试使用控制台的编码 (CP1252) 而不是它的本意 (UTF-8)。 PyTesseract 已找到一个 unicode 字符，现在正试图将其转换为 CP1252，但它做不到。在另一个平台上，您不会遇到此错误，因为它将开始使用 UTF-8。

您可以尝试使用不同的函数（可能是 returns bytes 而不是 str 的函数，这样您就不必担心编码问题了）。您可以更改 python 的默认编码，如评论之一所述，尽管当您尝试在 windows 控制台上打印字符串时，这会导致问题。或者，这是我推荐的解决方案，您可以下载 Cygwin 和运行 python 以获得干净的 UTF-8 输出。

如果您想要一个不会破坏任何东西（但）的快速而肮脏的解决方案，您可以考虑以下方法：

import builtins

original_open = open
def bin_open(filename, mode='rb'):       # note, the default mode now opens in binary
    return original_open(filename, mode)

from PIL import Image
import pytesseract

img = Image.open('binarized_image.png')

try:
    builtins.open = bin_open
    bts = pytesseract.image_to_string(img)
finally:
    builtins.open = original_open

print(str(bts, 'cp1252', 'ignore'))

Answer 2

我遇到了和你一样的问题，但我不得不将 pytesseract 的输出保存到一个文件中。因此，我使用 pytesseract 创建了一个用于 ocr 的函数，并在保存到文件时添加了参数 encoding='utf-8' 所以我的函数现在看起来像这样：

def image_ocr(image_path, output_txt_file_name):
  image_text = pytesseract.image_to_string(image_path, lang='eng+ces', config='--psm 1')
  with open(output_txt_file_name, 'w+', encoding='utf-8') as f:
    f.write(image_text)

我希望这对某人有所帮助:)

Python 中 Tesseract OCR 的 UnicodeDecodeError

UnicodeDecodeError with Tesseract OCR in Python

python

tesseract

python-tesseract