Python中使用Tesseract OCR的UnicodeDecodeError

Question

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

Answer 1

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'))

Answer 2

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 ：）