如何解决 Docker 镜像中的 Tesseract“加载语言 'eng' 失败”问题

如何解决如何解决 Docker 镜像中的 Tesseract“加载语言 'eng' 失败”问题

我最近收到一个错误，例如：

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，但有人可以提供帮助吗？

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

COPY tesseract-ocr .

已编辑：

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" ]

解决方法

这里有两个问题...

主要问题是一个奇怪的问题。 apt-get 软件包 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培训的数据文件：

# 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，表明 Tesseract 找不到此文件。

我进行了一些谷歌搜索，在尝试了许多使 Tesseract 能够工作的不同方法后，我找到了这个最简洁的解决方案来解决您的问题。只需在 Dockerfile 的末尾附近添加此行，就像设置要执行的 Docker 命令的最后一个 CMD 行之前一样：

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

此命令将之前安装的 eng.traineddata 文件替换为我在 Internet 上找到的另一个文件。它比之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

通过用这个新版本替换之前安装的 eng.traineddata 文件，您的代码开始运行良好。显然，我没有您的图像数据，因此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。当我提供带有一些文本的图像时，我通过调用 pytesseract.image_to_string 返回了文本。所以这个修复应该是你所需要的。

这里还有第二个问题。您的 pytesseract.image_to_string 调用在某种程度上由于您将其拆分为多行而出现乱码。要解决这一问题，您可以编辑调用，使字符串常量都在一行上：

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...” 的那部分错误消息将消失。如果你只是解决这个问题，你会留下错误消息：

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，两个问题都会消失，因为您根本不会收到错误消息。我不知道这是怎么回事。

我相信我已经为您提供了您需要知道的一切。如果您有其他问题，请告诉我们。如果您希望我分享您的 Dockerfile 和 main.py 文件的版本，我可以这样做。

快乐地分割！

PS：我建议您将 Dockerfile 中的安装调用、对 apt-get 和 pip 的调用移至文件顶部。这样，您可以稍后在文件中修改特定于您的应用程序的 Dockerfile 部分，并且您的映像构建将快速进行，而不必再次完成所有冗长的安装步骤。这是构建 Docker 镜像时需要理解的重要实践。一遍又一遍地观看长时间的 Docker 镜像构建，它将为您节省大量时间。我在解决您的问题时立即这样做，我可以在几秒钟内重建和运行下一版本的 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。