python - 如何解决 Docker 镜像中的 Tesseract "Failed loading language ' eng'"问题

Question

我最近收到如下错误:

File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 287, in run_and_get_output
    run_tesseract(**kwargs)
File "/usr/local/lib/python3.8/site-packages/pytesseract/pytesseract.py", line 263, in run_tesseract
    raise TesseractError(proc.returncode, get_errors(error_string))
pytesseract.pytesseract.TesseractError: (1, "read_params_file: Can't open ][|~_}{=!#%&«§><:;—?¢°*@, Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")

我有一个 python 文件，我在其中指定了 pytesseract 位置:pytesseract.pytesseract.tesseract_cmd = r"to/my/path"

然后我还在需求中包含了 tesseract 和 pytessearch，并在 dockerfile 中安装了 tesseract-ocr。

我不明白为什么会这样，但有人可以帮忙吗？

我实际上也将我的 tesseract-ocr 文件夹复制到 dockerfile 中的图像

COPY tesseract-ocr .

编辑:

以下是我的要求:

opencv-python==4.5.1.48
openpyxl==3.0.6
packaging==20.8
pandas==1.2.1
pathlib==1.0.1
patsy==0.5.1
pdfminer.six==20200517
pdfplumber==0.5.25
Pillow==8.1.0
prov==2.0.0
pycryptodome==3.9.9
pydot==1.4.1
PyMuPDF==1.16.14
pyparsing==2.4.7
PyPDF2==1.26.0
pytesseract==0.3.7
tesseract

下面是我的dockerfile

FROM python:3.8.7-slim
WORKDIR /usr/src/app
ARG src_folder= "folder/"
ARG src_ocr= "Tesseract-OCR/"
COPY ${src_folder} .
COPY ${src_ocr} .
COPY requirements.txt .

# Install all the required dependencies
RUN apt-get update \
    && apt-get install -y \
        build-essential \
        cmake \
        git \
        wget \
        unzip \
        yasm \
        pkg-config \
        libswscale-dev \
        libtbb2 \
        libtbb-dev \
        libjpeg-dev \
        libpng-dev \
        libtiff-dev \
        libavformat-dev \
        libpq-dev \
    && rm -rf /var/lib/apt/lists/*
RUN apt-get --fix-missing update && apt-get --fix-broken install && apt-get install -y poppler-utils && apt-get install -y tesseract-ocr && \
    apt-get install -y libtesseract-dev && apt-get install -y libleptonica-dev && ldconfig && apt install -y libsm6 libxext6 && apt install -y python-opencv
RUN pip install -r requirements.txt

# command to run on container start
CMD [ "python", "./folder/main.py" ]

Answer 1

这里有两个问题...

主要问题是一个奇怪的问题。 apt-get包裹tesseract-ocr-eng安装为您使用 apt-get 安装的其他软件包之一的临时依赖项:

# apt-get install tesseract-ocr-eng
...
tesseract-ocr-eng is already the newest version (1:4.00~git30-7274cfa-1).

并且该软件包在正确的位置安装了经过英语训练的数据文件:

# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 4113088 Sep 15  2017 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata

但您收到此错误消息，提示 Tesseract 找不到此文件。

我进行了一些谷歌搜索，在尝试了许多允许 Tesseract 工作的不同方法之后，我得出了这个最简洁的解决方案来解决您的问题。只需将此行添加到 Dockerfile 的末尾附近，就像最后一个 CMD 之前一样设置要执行的 Docker 命令的行:

RUN wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata -O /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata 2> /dev/null

此命令替换了之前安装的 eng.traineddata与我在互联网上找到的另一个文件一起归档。它比以前安装的文件大得多:

# ls -l /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata
-rw-r--r-- 1 root root 23466654 Feb 14 20:17 /usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata

通过替换之前安装的eng.traineddata使用这个新版本的文件，您的代码开始正常运行。显然，我没有您的图像数据，所以我不得不稍微更改您的代码以使用我自己的图像进行测试。当我提供一个包含一些文本的图像时，调用 pytesseract.image_to_string 的结果是我取回了文本。 .因此，这一个修复应该就是您所需要的。

这里还有第二个问题。你的pytesseract.image_to_string由于您将其跨多行中断，因此调用以某种方式出现乱码。要解决这一问题，您可以编辑调用，使字符串常量全部在一行中:

infor = pytesseract.image_to_string(im,
                                     lang="eng",
                                     config='--dpi 300 --psm 6 --oem 2 -c tessedit_char_blacklist=][|~_}{=!#%&«§><:;—?¢°*@,')

当我进行此更改时，您收到的关于“无法打开...” 的错误消息部分消失了。如果您只修复它，则会留下错误消息:

pytesseract.pytesseract.TesseractError: (1, "Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.")

有趣的是，如果您只应用第一个修复程序，那么这两个问题都会消失，因为您根本不会收到错误消息。我不知道那是怎么回事。

我相信我已经给了你所有你需要知道的。如果您有其他问题，请告诉我们。如果你想让我分享我的版本 Dockerfile和 main.py文件，我可以做到。

快乐的 Tesseracting!

PS:我建议您在 Dockerfile 中移动安装调用, 调用 apt-get和 pip , 到文件的顶部。这样，您可以修改 Dockerfile 的部分内容稍后在文件中特定于您的应用程序，您的图像构建将很快发生，而不是必须再次完成所有漫长的安装步骤。这是构建 Docker 镜像时需要理解的重要实践。一遍又一遍地观看冗长的 Docker 镜像构建，这将节省您大量时间。我在处理您的问题时立即执行了此操作，我可以在几秒钟内重建并运行下一个版本的 Docker 镜像，而不是花费超过一分钟的时间来重建和运行每个新镜像。