在 Python3 文本库中使用 tesseract答案

【问题标题】：Using tesseract in Python3 textract library在 Python3 文本库中使用 tesseract
【发布时间】：2016-07-12 22:47:56
【问题描述】：

我想从 PDF 文件中提取文本。我可以成功安装 tesseract（它在终端中工作）和 textract（遵循this 指令）。

但是，当我运行代码时，我得到了一个错误。

text = textract.process(
    '/Users/Text/en.pdf',
    method='tesseract',
    language='eng',
)

错误是：

/usr/local/lib/python3.4/site-packages/textract-1.4.0-py3.4.egg/textract/parsers/pdf_parser.py in extract_tesseract(self, filename, **kwargs)
     62                 page_content = TesseractParser().extract(page_path, **kwargs)
     63                 contents.append(page_content)
---> 64             return ''.join(contents)
     65         finally:
     66             shutil.rmtree(temp_dir)

TypeError: sequence item 0: expected str instance, bytes found

我尝试了几次修改，但它们都无法正常工作，而且我遇到了同样的错误。

return b''.join(contents)
在return 之前插入contents = [str(item) for item in contents]
在return 之前插入contents = [item.decode("utf-8") for item in contents]

【问题讨论】：

你完全正确——我很抱歉。我在你的修改中不知何故错过了那条线。我在 Slackware Linux 系统上测试了你的示例 - tesseract 3.03 和 leptonica 1.70，它似乎从命令行运行没有问题。你试过吗？ tesseract test_text.png out
顺便说一句，我删除了我的回复以避免混淆......
@jcoppen 感谢您的检查。实际上，我也在命令行中尝试过。但是由于我提取后需要在Python中编辑文本，所以最方便的方法是在Python中做所有事情。
我相信我曾经尝试过使用 tesseract 包装器，但无法使其正常工作。在这个答案中：stackoverflow.com/questions/29923827/…，我从程序中“手动”调用了 tesseract，然后在 Python 中处理它的输出。不要惊慌 - 代码很长，因为它还包含 GUI 代码。调用在第一类 (RecognizeDigits) - 以out 开头的两行代码。

标签： python-3.x tesseract python-tesseract

【解决方案1】：

实际上，我在Japanese Stackoverflow (スタックオーバーフロー) 中做了同样的问题并得到了解决方案。以下是我翻译的核心部分。（谢谢，@mjy）。

注意：这种修改至少对英语有效。

在pdf_parser.py的第 64 行
将 return ''.join(contents) 更改为

return "".join(item.decode('utf-8') if isinstance(item, bytes) else item for item in contents)

但是，发生了另一个错误。

NameError: name 'unicode' is not defined
在utils.py的第54行，将if isinstance(text, unicode): (...cont...)改为
```
if isinstance(text, str):
    return text
```

【讨论】：