如何解决tesseract“失败的加载语言'eng'” docker image中的问题

Question

我最近收到了一个错误，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”

然后我还将Tesseract和Pytessearch包括在需求中，然后在Dockerfile中安装Tesseract-OR。

我不明白为什么会发生，但是有人可以提供帮助吗？

我实际上还将我的Tesseract-Oct文件夹复制到dockerfile

中的图像

COPY tesseract-ocr .

已编辑：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

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" ]

您在这里有两个问题...

Answer 1

apt-get

软件包

tesseract-ocr-eng

安装作为您安装的其他包装之一的瞬态依赖性：

apt-get

：

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

该软件包在正确的位置安装了一个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

然而，您收到此错误消息，建议Tesseract找不到此文件。

我做了一些谷歌搜索，在尝试了许多允许Tesseract工作的不同事情之后，我对您的问题提出了最简洁的解决方案。 只需在

Dockerfile

的末端附近添加此行，就像在设置要执行的Docker命令的最后一行之前一样：

CMD

该命令将先前安装的文件替换为我在Internet上找到的另一个文件。  它比以前安装的文件大得多：

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

通过使用此新版本替换先前安装的文件，您的代码开始运行良好。 显然，我没有您的图像数据，因此我不得不更改您的代码以使用自己的图像进行测试。 当我在其中提供了一些文本时，由于调用

eng.traineddata

，我会收回文本。 因此，这个解决方案应该就是您所需要的。

这里有第二个问题。 您的电话是由于您将其跨多行打破的事实而被以某种方式乱七八糟。要仅解决此问题，您可以编辑调用，以使字符串常数全部在一行：

# 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

当我进行此更改时，您收到的错误消息的一部分是“无法打开...”

消失了。 如果仅解决此问题，则剩下错误消息：

eng.traineddata

有趣的是，如果您仅应用第一个修复程序，则两个问题都会消失，因为您根本不会收到错误消息。 我不知道这是怎么回事。

我相信我已经给了您所有您需要知道的一切。  如果您还有其他问题，请告诉我们。  如果您要我分享您的

pytesseract.image_to_string

和

pytesseract.image_to_string

文件的版本，我可以做到。
tesseracting！

PS：我建议您将呼叫中的安装呼叫移至文件顶部。 这样，您可以在文件稍后在应用程序中修改tem tem the应用程序的各个部分，并且您的图像构建将很快发生，而不是所有长期安装步骤都必须再次完成。 这是在构建Docker图像时了解的重要实践。 这将为您节省大量时间观看长码头图像一遍又一遍地建立。 我在处理您的问题时立即这样做，我可以在短短几秒钟内重建并运行下一个版本的Docker映像，而不是花费超过一分钟的时间来重建和运行每个新图像。

i根据this Answer安装了所需的软件包。

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

然后在命令下运行

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

然后基于上一个命令输出中显示的路径下方设置env var下方。

Dockerfile