UnicodeDecodeError con Tesseract OCR in Python

Question

Iam sta tentando di estrarre il testo da un file immagine usando Tesseract OCR in Python ma sto affrontando un errore che posso capire come gestirlo. tutto il mio ambiente è buono come ho provato alcune immagini di esempio con l'ocr in python!

Ecco il codice

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

print (strs) 

follow è l'errore che ricevo da console Eclipse

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> 

Iam utilizzando python 3.5 x64 su Windows 10

Answer 1

Il problema è quel pitone sta cercando di usare la codifica della console (CP1252) invece di quello che è destinato a usare (UTF-8). PyTesseract ha trovato un carattere unicode e sta ora tentando di tradurlo in CP1252, cosa che non può fare. Su un'altra piattaforma non si verificherà questo errore perché utilizzerà UTF-8.

È possibile provare a utilizzare una funzione diversa (possibilmente quella che restituisce bytes anziché str in modo da non doversi preoccupare della codifica). È possibile modificare la codifica predefinita di python come menzionato in uno dei commenti, sebbene ciò possa causare problemi quando si tenta di stampare la stringa sulla console di Windows. Oppure, e questa è la mia soluzione consigliata, è possibile scaricare Cygwin ed eseguire python su questo per ottenere un output UTF-8 pulito.

Se si desidera una soluzione rapida e sporca che non rompere nulla (ancora), ecco un modo che si potrebbe prendere in considerazione:

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'))