[英]UnicodeDecodeError with Tesseract OCR in Python
我试图使用Python中的Tesseract OCR从图像文件中提取文本,但我面临一个错误,我可以弄清楚如何处理它。 所有我的环境都很好,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控制台获得的错误
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
问题是python试图使用控制台的编码(CP1252)而不是它的意思(UTF-8)。 PyTesseract找到了一个unicode字符,现在正在尝试将其转换为CP1252,这是它无法做到的。 在另一个平台上,您不会遇到此错误,因为它将使用UTF-8。
您可以尝试使用不同的函数(可能是一个返回bytes
而不是str
函数,因此您不必担心编码)。 您可以更改其中一条注释中提到的python的默认编码,但是当您尝试在Windows控制台上打印字符串时会导致问题。 或者,这是我推荐的解决方案,您可以下载Cygwin并在其上运行python以获得干净的UTF-8输出。
如果你想要一个不会破坏任何东西的快速而肮脏的解决方案,这里有一种你可以考虑的方法:
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'))
我遇到了和你一样的问题但是我必须将pytesseract的输出保存到文件中。 所以,我用pytesseract为ocr创建了一个函数,当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)
我希望这可以帮助别人 :)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.