UnicodeDecodeError 'charmap' 编解码器与 Python 中的 Tesseract OCR
UnicodeDecodeError 'charmap' codec with Tesseract OCR in Python
我正在尝试使用 teseract-OCR 对 python 中的图像文件执行 OCR。
我的环境是——
Python Windows Machine 上的 3.5 Anaconda。
代码如下：
from PIL import Image
from pytesseract import image_to_string
out = image_to_string(Image.open('sample.png'))
我得到的错误是：
File "Anaconda3\lib\sitepackages\pytesseract\pytesseract.py", line 167, in image_to_string
return f.read().strip()
File "Anaconda3\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 0x81 in position 1583: character maps to <undefined>
我已经尝试了提到的解决方案
破解无效
我已经在 Mac OS 上尝试了我的代码，它正在运行。
我调查了 pytesseract 问题：
这是一个 open issue
谢谢
嗯..那里发生了一些非常奇怪的事情-
当我们谈论 "latin1" 文本编码时，字符“\x81”是不可打印的。但是，在库使用的 "cp1252" 编码上，它被映射到 "undefined character" - 这是明确的。
发生的事情是 "latin1" 有点像 "no-op" 编解码器，有时在 Python 中用于将字节序列简单地转换为 unicode 字符串（[=36 中的默认字符串=] 3.x)。编解码器 "cp1252" 与 几乎 相同，在某些情况下它可以与 latin1 互换使用 - 但这个“\x81”代码是两者之间的一个区别。在你的情况下，这是一个关键。
正确的做法是尝试为 image_to_string 函数提供可选的 lang 参数 - 这样它可能会使用正确的编解码器来解码您的文本 - 如果它能更好地识别什么是它公开为“0x81”的字符。但是，这可能行不通 - 因为它可能只是一个与语言完全无关的非常奇怪的字符的 OCR 错误。
因此，您的解决方法是对 "cp1252" 编解码器进行 monkeypatch，这样它就不会出现错误，而是填充 Unicode "unrecognized" 字符 - 一种方法是将这些行插入在调用 tesseract 之前：
from encodings import cp1252
original_decode = cp1252.Codec.decode
cp1252.Codec.decode = lambda self, input, errors="replace": original_decode(self, input, errors)
但是，如果可以的话，请打开针对 pytesseract 项目的错误报告。我的猜测是他们此时应该使用 "latin1" 而不是 "cp1252" 编码。
我正在尝试使用 teseract-OCR 对 python 中的图像文件执行 OCR。 我的环境是—— Python Windows Machine 上的 3.5 Anaconda。
代码如下：
from PIL import Image
from pytesseract import image_to_string
out = image_to_string(Image.open('sample.png'))
我得到的错误是：
File "Anaconda3\lib\sitepackages\pytesseract\pytesseract.py", line 167, in image_to_string
return f.read().strip()
File "Anaconda3\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 0x81 in position 1583: character maps to <undefined>
我已经尝试了提到的解决方案
我已经在 Mac OS 上尝试了我的代码，它正在运行。
我调查了 pytesseract 问题： 这是一个 open issue
谢谢
嗯..那里发生了一些非常奇怪的事情- 当我们谈论 "latin1" 文本编码时，字符“\x81”是不可打印的。但是，在库使用的 "cp1252" 编码上，它被映射到 "undefined character" - 这是明确的。
发生的事情是 "latin1" 有点像 "no-op" 编解码器，有时在 Python 中用于将字节序列简单地转换为 unicode 字符串（[=36 中的默认字符串=] 3.x)。编解码器 "cp1252" 与 几乎 相同，在某些情况下它可以与 latin1 互换使用 - 但这个“\x81”代码是两者之间的一个区别。在你的情况下，这是一个关键。
正确的做法是尝试为 image_to_string 函数提供可选的 lang 参数 - 这样它可能会使用正确的编解码器来解码您的文本 - 如果它能更好地识别什么是它公开为“0x81”的字符。但是，这可能行不通 - 因为它可能只是一个与语言完全无关的非常奇怪的字符的 OCR 错误。
因此，您的解决方法是对 "cp1252" 编解码器进行 monkeypatch，这样它就不会出现错误，而是填充 Unicode "unrecognized" 字符 - 一种方法是将这些行插入在调用 tesseract 之前：
from encodings import cp1252
original_decode = cp1252.Codec.decode
cp1252.Codec.decode = lambda self, input, errors="replace": original_decode(self, input, errors)
但是，如果可以的话，请打开针对 pytesseract 项目的错误报告。我的猜测是他们此时应该使用 "latin1" 而不是 "cp1252" 编码。