返回

如何为 Tesseract 安装语言包：轻松提取德语文本

windows

为 Tesseract 安装新的语言包：从德语中提取文本

背景

Tesseract 是一个开源 OCR 引擎，允许你从图像中提取文本。当你希望从不同语言的图像中提取文本时，你需要安装相应的语言包。本文将重点介绍如何为 Tesseract 安装德语语言包，并从一张德语图像中提取文本。

问题

在你尝试从一张德语图像中提取文本时，你遇到了以下错误：

Tesseract couldn't load any languages! Could not initialize tesseract.

此错误表明你尚未安装德语语言包。

解决方案

为 Tesseract 安装新的语言包涉及以下步骤：

1. 下载语言包

从 tessdoc/Data-Files 下载德语语言包 ger.traineddata。

2. 确定站点包路径

站点包路径通常位于以下位置：

  • Windows：C:\Python\<version>\Lib\site-packages
  • macOS：/Library/Python/<version>/site-packages
  • Linux：/usr/lib/python<version>/site-packages

3. 将语言包移动到站点包

将下载的 ger.traineddata 文件移动到 pytesseract 站点包中的 tessdata 目录。路径应如下所示：

<site-package-path>\pytesseract\tessdata\ger.traineddata

4. 更新 TESSDATA_PREFIX 环境变量

更新 TESSDATA_PREFIX 环境变量，使其指向 tessdata 目录：

  • Windows：set TESSDATA_PREFIX=<site-package-path>\pytesseract\tessdata
  • macOS：export TESSDATA_PREFIX=<site-package-path>/pytesseract/tessdata
  • Linux：export TESSDATA_PREFIX=<site-package-path>/pytesseract/tessdata

5. 重新运行脚本

重新运行你的脚本，它现在应该可以识别德语文本。

代码示例

import cv2
import pytesseract
from PIL import Image

# 导入图像
image = cv2.imread('test.jpg')

# 从图像中提取文本
text = pytesseract.image_to_string(image, lang='ger')

# 打印提取的文本
print(text)

常见问题解答

  • 为什么我需要安装语言包？
    Tesseract 需要针对特定的语言进行训练才能识别文本。
  • 如何确定我的站点包路径？
    使用 sys.path 模块或检查 Python 安装目录中的 site-packages 目录。
  • 更新 TESSDATA_PREFIX 环境变量后需要重启 Python 吗？
    不需要，此更改应立即生效。
  • 是否可以安装多个语言包？
    是的，你可以安装多个语言包，并且 Tesseract 将自动检测图像中的语言。
  • 如果我仍然遇到错误怎么办？
    确保你已正确下载语言包并将其放置在正确的目录中。你还可以检查 Tesseract 文档以获取更多故障排除信息。

结论

通过安装语言包和更新 TESSDATA_PREFIX 环境变量，你可以在 Tesseract 中为新语言添加支持。通过这些步骤，你将能够从不同语言的图像中准确提取文本。