如何在 Foundry 代码库中运行 pytesseract / tesseract？

Question

我正在尝试使用存储库中库 pytesseract 中的函数 image_to_string 来执行 PDF 的 OCR。 但是，我收到以下错误：

从检查中我会假设库已正确加载：

有谁知道如何在这里解决问题？

Answer 1

Foundry 似乎不尊重/运行自动设置TESSDATA_PREFIX环境变量的环境激活脚本https://github.com/conda-forge/tesseract-feedstock/blob/main/recipe/activate.sh 。 但是，我们可以手动推断该值并将其提供给 pytesseract API 调用。

定义以下辅助函数：

def _get_tessdata_directory_path():
    import os
    from pathlib import Path
    if 'PYSPARK_PYTHON' in os.environ:
        pyspark_python = Path(os.environ['PYSPARK_PYTHON'])
        env_root = pyspark_python.parent.parent
    elif 'CONDA_PREFIX' in os.environ:
        env_root = Path(os.environ['CONDA_PREFIX'])
    else:
        raise ValueError('No env. variable present.')
    share_dir = env_root / 'share' / 'tessdata'
    assert share_dir.exists(), 'tessdata directory does not exist in <envroot>/share/tessdata'
    return str(share_dir)

并使用它，如以下代码段所示：

tessdata_dir_config = f'--tessdata-dir "{_get_tessdata_directory_path()}"'
pytesseract.image_to_string(image, ..., config=tessdata_dir_config)