如何解决 Docker 图像中的 Tesseract "Failed loading language 'eng'" 问题
How to solve Tesseract "Failed loading language 'eng'" problem in a Docker image
我最近收到如下错误：
File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 287, in run_and_get_output
run_tesseract(**kwargs)
File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 263, in run_tesseract
raise TesseractError(proc.returncode, get_errors(error_string))
pytesseract.pytesseract.TesseractError: (1, "read_params_file: Can't open ][|~_}{=!#%&«§><:;—?¢°*@, Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")
我有一个 python 文件，我在其中指定了 pytesseract 位置：
pytesseract.pytesseract.tesseract_cmd = r"to/my/path"
然后我还在需求中包含了 tesseract 和 pytessearch，并在 dockerfile 中安装了 tesseract-ocr。
我不明白为什么会这样，但有人可以帮忙吗？
其实我也复制了我的tesseract-ocr文件夹到dockerfile里的image
COPY tesseract-ocr .
已编辑：
以下是我的要求：
opencv-python==4.5.1.48
openpyxl==3.0.6
packaging==20.8
pandas==1.2.1
pathlib==1.0.1
patsy==0.5.1
pdfminer.six==20200517
pdfplumber==0.5.25
Pillow==8.1.0
prov==2.0.0
pycryptodome==3.9.9
pydot==1.4.1
PyMuPDF==1.16.14
pyparsing==2.4.7
PyPDF2==1.26.0
pytesseract==0.3.7
tesseract
下面是我的dockerfile
FROM python:3.8.7-slim
WORKDIR /usr/src/app
ARG src_folder= "folder/"
ARG src_ocr= "Tesseract-OCR/"
COPY ${src_folder} .
COPY ${src_ocr} .
COPY requirements.txt .
# Install all the required dependencies
RUN apt-get update \
&& apt-get install -y \
build-essential \
cmake \
git \
wget \
unzip \
yasm \
pkg-config \
libswscale-dev \
libtbb2 \
libtbb-dev \
libjpeg-dev \
libpng-dev \
libtiff-dev \
libavformat-dev \
libpq-dev \
&& rm -rf /var/lib/apt/lists/*
RUN apt-get --fix-missing update && apt-get --fix-broken install && apt-get install -y poppler-utils && apt-get install -y tesseract-ocr && \
apt-get install -y libtesseract-dev && apt-get install -y libleptonica-dev && ldconfig && apt install -y libsm6 libxext6 && apt install -y python-opencv
RUN pip install -r requirements.txt
# command to run on container start
CMD [ "python", "./folder/main.py" ]
你这里有两个问题...
首要问题有点奇怪。 apt-get 软件包 tesseract-ocr-eng 作为您使用 apt-get:
安装的其他软件包之一的临时依赖项安装
# apt-get install tesseract-ocr-eng
...
tesseract-ocr-eng is already the newest version (1:4.00~git30-7274cfa-1).
并且该软件包在正确的位置安装了经过英语训练的数据文件：
# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 4113088 Sep 15 2017 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
但您收到此错误消息，提示 Tesseract 找不到此文件。
我进行了一些谷歌搜索，在尝试了许多允许 Tesseract 工作的不同方法之后，我得出了这个最简洁的解决方案来解决您的问题。只需将此行添加到 Dockerfile 的末尾附近，就像在设置要执行的 Docker 命令的最后 CMD 行之前：
RUN wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata -O /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata 2> /dev/null
此命令将之前安装的 eng.traineddata 文件替换为我在 Internet 上找到的另一个文件。它比之前安装的文件大得多：
# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 23466654 Feb 14 20:17 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
通过用这个新版本替换之前安装的 eng.traineddata 文件，您的代码开始 运行 正常。显然，我没有您的图像数据，所以我不得不稍微更改您的代码以使用我自己的图像进行测试。当我提供一个包含一些文本的图像时，调用 pytesseract.image_to_string 的结果是我取回了文本。所以这一个修复应该是你所需要的。
这里还有第二个问题。您的 pytesseract.image_to_string 调用由于跨多行中断而以某种方式出现乱码。要解决这一问题，您可以编辑调用，使字符串常量全部在一行中：
infor = pytesseract.image_to_string(im,
lang="eng",
config='--dpi 300 --psm 6 --oem 2 -c tessedit_char_blacklist=][|~_}{=!#%&«§><:;—?¢°*@,')
当我进行此更改时，您收到的有关 “无法打开 ...” 的错误消息部分消失了。如果你只修复那个，你会留下错误消息：
pytesseract.pytesseract.TesseractError: (1, "Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")
有趣的是，如果您只应用第一个修复程序，那么这两个问题都会消失，因为您根本不会收到错误消息。我不知道那是怎么回事。
我相信我已经给了你所有你需要知道的。如果您有其他问题，请告诉我们。如果你想让我分享我的 Dockerfile 和 main.py 文件版本，我可以做到。
快乐的 Tesseracting！
PS：我建议您将 Dockerfile 中的安装调用、对 apt-get 和 pip 的调用移至文件顶部。这样，您可以稍后在文件中修改 Dockerfile 特定于您的应用程序的部分，并且您的图像构建将很快发生，而不是必须再次完成所有冗长的安装步骤。这是构建 Docker 图像时需要理解的重要实践。一遍又一遍地观看长 Docker 图像构建，这将节省您大量时间。我在处理你的问题时立即这样做了，我可以在几秒钟内重建和 运行 下一个版本的 Docker 图像，而不是花费超过一分钟的时间来重建和 运行 每个新图像。
我最近收到如下错误：
File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 287, in run_and_get_output
run_tesseract(**kwargs)
File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 263, in run_tesseract
raise TesseractError(proc.returncode, get_errors(error_string))
pytesseract.pytesseract.TesseractError: (1, "read_params_file: Can't open ][|~_}{=!#%&«§><:;—?¢°*@, Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")
我有一个 python 文件，我在其中指定了 pytesseract 位置： pytesseract.pytesseract.tesseract_cmd = r"to/my/path"
然后我还在需求中包含了 tesseract 和 pytessearch，并在 dockerfile 中安装了 tesseract-ocr。
我不明白为什么会这样，但有人可以帮忙吗？
其实我也复制了我的tesseract-ocr文件夹到dockerfile里的image
COPY tesseract-ocr .
已编辑：
以下是我的要求：
opencv-python==4.5.1.48
openpyxl==3.0.6
packaging==20.8
pandas==1.2.1
pathlib==1.0.1
patsy==0.5.1
pdfminer.six==20200517
pdfplumber==0.5.25
Pillow==8.1.0
prov==2.0.0
pycryptodome==3.9.9
pydot==1.4.1
PyMuPDF==1.16.14
pyparsing==2.4.7
PyPDF2==1.26.0
pytesseract==0.3.7
tesseract
下面是我的dockerfile
FROM python:3.8.7-slim
WORKDIR /usr/src/app
ARG src_folder= "folder/"
ARG src_ocr= "Tesseract-OCR/"
COPY ${src_folder} .
COPY ${src_ocr} .
COPY requirements.txt .
# Install all the required dependencies
RUN apt-get update \
&& apt-get install -y \
build-essential \
cmake \
git \
wget \
unzip \
yasm \
pkg-config \
libswscale-dev \
libtbb2 \
libtbb-dev \
libjpeg-dev \
libpng-dev \
libtiff-dev \
libavformat-dev \
libpq-dev \
&& rm -rf /var/lib/apt/lists/*
RUN apt-get --fix-missing update && apt-get --fix-broken install && apt-get install -y poppler-utils && apt-get install -y tesseract-ocr && \
apt-get install -y libtesseract-dev && apt-get install -y libleptonica-dev && ldconfig && apt install -y libsm6 libxext6 && apt install -y python-opencv
RUN pip install -r requirements.txt
# command to run on container start
CMD [ "python", "./folder/main.py" ]
你这里有两个问题...
首要问题有点奇怪。 apt-get 软件包 tesseract-ocr-eng 作为您使用 apt-get:
# apt-get install tesseract-ocr-eng
...
tesseract-ocr-eng is already the newest version (1:4.00~git30-7274cfa-1).
并且该软件包在正确的位置安装了经过英语训练的数据文件：
# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 4113088 Sep 15 2017 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
但您收到此错误消息，提示 Tesseract 找不到此文件。
我进行了一些谷歌搜索，在尝试了许多允许 Tesseract 工作的不同方法之后，我得出了这个最简洁的解决方案来解决您的问题。只需将此行添加到 Dockerfile 的末尾附近，就像在设置要执行的 Docker 命令的最后 CMD 行之前：
RUN wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata -O /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata 2> /dev/null
此命令将之前安装的 eng.traineddata 文件替换为我在 Internet 上找到的另一个文件。它比之前安装的文件大得多：
# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 23466654 Feb 14 20:17 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
通过用这个新版本替换之前安装的 eng.traineddata 文件，您的代码开始 运行 正常。显然，我没有您的图像数据，所以我不得不稍微更改您的代码以使用我自己的图像进行测试。当我提供一个包含一些文本的图像时，调用 pytesseract.image_to_string 的结果是我取回了文本。所以这一个修复应该是你所需要的。
这里还有第二个问题。您的 pytesseract.image_to_string 调用由于跨多行中断而以某种方式出现乱码。要解决这一问题，您可以编辑调用，使字符串常量全部在一行中：
infor = pytesseract.image_to_string(im,
lang="eng",
config='--dpi 300 --psm 6 --oem 2 -c tessedit_char_blacklist=][|~_}{=!#%&«§><:;—?¢°*@,')
当我进行此更改时，您收到的有关 “无法打开 ...” 的错误消息部分消失了。如果你只修复那个，你会留下错误消息：
pytesseract.pytesseract.TesseractError: (1, "Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")
有趣的是，如果您只应用第一个修复程序，那么这两个问题都会消失，因为您根本不会收到错误消息。我不知道那是怎么回事。
我相信我已经给了你所有你需要知道的。如果您有其他问题，请告诉我们。如果你想让我分享我的 Dockerfile 和 main.py 文件版本，我可以做到。
快乐的 Tesseracting！
PS：我建议您将 Dockerfile 中的安装调用、对 apt-get 和 pip 的调用移至文件顶部。这样，您可以稍后在文件中修改 Dockerfile 特定于您的应用程序的部分，并且您的图像构建将很快发生，而不是必须再次完成所有冗长的安装步骤。这是构建 Docker 图像时需要理解的重要实践。一遍又一遍地观看长 Docker 图像构建，这将节省您大量时间。我在处理你的问题时立即这样做了，我可以在几秒钟内重建和 运行 下一个版本的 Docker 图像，而不是花费超过一分钟的时间来重建和 运行 每个新图像。