UnicodeDecodeError 与 Python 中的 Tesseract OCR

Posted 2023-04-17

【中文标题】UnicodeDecodeError 与 Python 中的 Tesseract OCR

【英文标题】：UnicodeDecodeError with Tesseract OCR in Python

【发布时间】：2016-03-21 11:35:05

【问题描述】：

我试图在 Python 中使用 Tesseract OCR 从图像文件中提取文本，但我遇到了一个错误，我可以弄清楚如何处理它。我所有的环境都很好，因为我在 python 中使用 ocr 测试了一些示例图像！

这里是代码

from PIL import Image
import pytesseract
strs = pytesseract.image_to_string(Image.open('binarized_image.png'))

print (strs)

以下是我从 eclipse 控制台得到的错误

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

【问题讨论】：

这让我想起了我过去遇到的一些事情；我不知道这是否是完全相同的问题。你在 Windows 上的事实让我感到震惊——Windows 上 CMD 中的 Python 似乎有一个奇怪的默认代码页。您是否尝试过在sys.setdefaultencoding 进行黑客攻击以查看是否可以帮助您诊断问题？ （如果你能提供帮助，我可能会避免在生产代码中保留这种技巧。）

Pytesseract: UnicodeDecodeError: 'charmap' codec can't decode byte的可能重复

【参考方案1】：

问题在于 python 正在尝试使用控制台的编码 (CP1252) 而不是它本来要使用的编码 (UTF-8)。 PyTesseract 找到了一个 unicode 字符，现在正试图将其翻译成 CP1252，但它无法做到。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（可能会返回 bytes 而不是 str，这样您就不必担心编码问题）。您可以更改其中一个 cmets 中提到的 python 的默认编码，尽管当您尝试在 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。

如果您想要一个（还）不会破坏任何东西的快速而肮脏的解决方案，您可以考虑以下方法：

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'))

【讨论】：

似乎有一些很好的信息可能与这个答案here有关。

是的，这听起来像是我之前遇到的问题。如果您提供一些代码来解释如何配置 PyTesseract 以使用 UTF8 编码打开该文件（如果可能），这个答案会更好

@BenjaminHodgson PyTesseract 无法指定编码，但我们可以注入我们自己的open 替代...

@randomusername 您的解决方案对提取的结果文本的保真度有影响吗？我得到了很多奇怪的字符，而原始文档是普通的英文字符，即使它有点模糊！例如 iÃŽc1-zo1sîâzzaïzÃœl VE0Ã2ÃŽE BP797Z5SiÃŽc1-zo1sîâzzaïzÃœl VE0Ã2ÃŽE BP797Z5S

@NwawelAIroume 否，但它确实对结果输出产生了严重影响。尝试将输出打印为原始的 bytes 对象，看看您是否可以挽救您所能做的。或者您可以将输出存储在一个文件中并使用支持 UTF-8 的文本编辑器来查看它。

【参考方案2】：

我遇到了和你一样的问题，但是我不得不将 pytesseract 的输出保存到一个文件中。因此，我使用 pytesseract 为 ocr 创建了一个函数，并在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)

我希望这对某人有帮助:)

【讨论】：

谢谢你，你救了我的命