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。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。