Pytesseract 加载语言失败 'chi-sim'

Question

我正在开发 python tesseract 包，示例代码如下：

import pytesseract
from PIL import Image

tessdata_dir_config = "--tessdata-dir \"/opt/homebrew/Cellar/tesseract-lang/4.1.0/share/tessdata/\""
image = Image.open("dataset/test.jpeg")
text = pytesseract.image_to_string(image, lang = "chi-sim", config = tessdata_dir_config)
print(text)

我收到以下错误消息：

pytesseract.pytesseract.TesseractError: (1, 'Error opening data file /opt/homebrew/Cellar/tesseract-lang/4.1.0/share/tessdata/chi-sim.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory. Failed loading language 'chi-sim' Tesseract couldn't load any languages! Could not initialize tesseract.')

根据我的理解，错误发生在读取文件chi-sim.traineddata（代表简体中文）时，我将在下面解释我为解决此问题所做的尝试。

我的开发环境是M1 macOS，我从Homebrew安装了tesseract和tesseract-lang。我很确定上面指定的路径正是源文件所在的位置，因为当我调用

print(pytesseract.get_languages(config = ""))

我打印了一长串语言，包括 chi-sim。

此外，如果我们只使用英文而不是中文，下面的代码可以成功识别图像中的英文文本：

text = pytesseract.image_to_string(image)

我尝试以多种方式指定环境变量 TESSDATA_PREFIX，包括：

在原始代码中使用 config 参数。
在PyCharm中添加全局环境变量。
在代码中添加以下行

os.environ["TESSDATA_PREFIX"] = "tesseract/4.1.1/share/tessdata/"

在终端

bash_profile

export TESSDATA_PREFIX=/opt/homebrew/Cellar/tesseract-lang/4.1.0/share/tessdata/

但不幸的是，none 这些作品。

好像我的文件 chi-sim.traineddata 不知何故坏了，所以我直接从 GitHub (https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata) 下载了经过训练的数据文件，点击“下载”按钮在右侧，并将下载的文件放在 tesseract-lang 和原始 tesseract 目录中（eng.traineddata 所在的目录）。是的，我都试过了，但都不行。

关于这个问题，有什么可能的解决方案吗？

Answer 1

如果我使用 lang="chi_sim" 和 _ 而不是 -，代码在 Linux 上对我有效，因为从服务器下载的文件的名称也为 chi_sim.traineddata _ 而不是 -.

如果我将文件重命名为 chi-sim.traineddata，那么我可以使用 lang="chi-sim"（使用 - 而不是 _）

Pytesseract 加载语言失败 'chi-sim'

Pytesseract Failed loading language 'chi-sim'

python

macos

tesseract

python-tesseract