如何在 Windows 上安装 Tesseract 的新语言包

Question

我已经在我的

pytesseract

中安装了

venv

模块，并且想要从德语图像中提取文本。

从以下位置执行此脚本 pytesseract 并将语言设置为德语

import cv2

import pytesseract


try:
    from PIL import Image
except ImportError:
    import Image

print(pytesseract.image_to_string(Image.open('test.jpg')))

print(pytesseract.image_to_string(Image.open('test.jpg'), lang='ger'))

这给了我

raise TesseractError(proc.returncode, get_errors(error_string))
pytesseract.pytesseract.TesseractError: (1, 'Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
 Error opening data file C:\\Program Files (x86)\\Tesseract-OCR/tessdata/ger.traineddata
 Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory. Failed loading language \'ger\' Tesseract couldn\'t load any languages! Could not initialize tesseract.')

我在[tessdoc/Data-Files]上找到了语言数据（https://github.com/tesseract-ocr/tessdoc/blob/master/Data-Files.md）

到目前为止我只找到了 Linux 的指南如何在 16.04 上为 Tesseract 安装新的语言包

我需要将语言文件移动到我的

pyteseract

站点包中的哪里才能使脚本正常工作？

Answer 1

有两种方法。

1.安装适合您语言的 tesseract 包 -

• apt-get install tesseract-ocr-YOUR_LANG_CODE

例如-在我的例子中是孟加拉语，所以我安装了-

• apt-get install tesseract-ocr-ben

或安装所有语言 -

• apt-get install tesseract-ocr-all

  .

这对我的 Ubuntu 环境有用。

2.错误消息本身提到了另一种方法。添加指向语言包的环境变量

TESSDATA_PREFIX

。您可以从这里下载语言包：

https://github.com/tesseract-ocr/tessdata

.

下载数据包后，您还可以以编程方式将环境变量设置为

import os
os.putenv('TESSDATA_PREFIX','path/to/your/tessdata/file'

Answer 2

我发现的最好方法：

1. 下载并安装

   tesseract-ocr-w64-setup-v5.0.0-rc1.20211030.exe

   。
2. 打开 https://github.com/tesseract-ocr/tessdata 并下载您的语言。例如，波斯语下载

   fas.traineddata

   。
3. 将下载的文件复制到

   tessreact_ocr

   安装位置，例如：

   C:\Program Files\Tesseract-OCR\tessdata

4. 不要忘记使用语言的

   traineddata

   名称。对于波斯语，我使用

   lang='fas'

   。

Answer 3

在德国网站上找到了执行此操作的指南Python Texterkennung：Bild zu Text mit PyTesseract in Windows

Answer 4

我只是 apt-get 安装，没有设置 env TESSDATA_PREFIX。它可以工作

apt-get install tesseract-ocr-YOUR_LANG_CODE