python - Pytesseract 加载语言失败 'chi-sim'

Question

我正在使用如下示例代码开发 python tesseract 包:

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:

1. 在原始代码中使用 config 参数。

2. 在 PyCharm 中添加全局环境变量。

3. 在代码中添加以下行

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

1. 将以下行添加到终端中的 bash_profile

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

但不幸的是，这些都不起作用。

• 好像我的文件 chi-sim.traineddata 不知何故被破坏了，所以我直接从 GitHub ( https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata ) 下载训练数据文件，点击“下载”按钮右边，将下载的文件放在tesseract-lang和原tesseract目录下(eng.traineddata所在)。是的，我都试过了，但都没有用。

关于这个问题，有什么可能的解决方案吗？

Answer 1

如果我将 lang="chi_sim" 与 _ 而不是 - 一起使用，代码在 Linux 上对我有用，因为从服务器下载的文件有名称chi_sim.traineddata 也使用 _ 而不是 -。

---

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