Pytessaract image_to_pdf_or_hocr函数在AWS中不工作

Question

我使用这个存储库将tesseract部署为lambda层：https://github.com/bweigel/aws-lambda-tesseract-layer

该部署和pytesseract所喜欢的其他功能运行良好：image_to_string、image_to_data也运行良好，没有任何干扰。

但是，当我尝试像这样使用image_to_pdf_or_hocr时：

pdf = pytesseract.image_to_pdf_or_hocr(f'/tmp/{file_name}/{page.number}.png', extension='pdf')

它不工作，并抛出错误如下：

Traceback (most recent call last):
File "/var/task/helpers/ocr_helper.py", line 36, in save_searchable_pdf
f'/tmp/{file_name}/{page.number}.png', extension='pdf')
File "/var/task/pytesseract/pytesseract.py", line 432, in image_to_pdf_or_hocr
return run_and_get_output(*args)
File "/var/task/pytesseract/pytesseract.py", line 289, in run_and_get_output
with open(filename, 'rb') as output_file:
FileNotFoundError: [Errno 2] No such file or directory: '/tmp/tess_6_hu78b0.pdf'

1. 它说文件tess_6_hu78b0.pdf不存在。这是什么意思？首先，我没有带有tess_6_hu78b0名称的文件。
2. 我传递给image_to_pdf_or_hocr函数的路径是100%正确的，并且有一个图像在那里。我已经确认了，同样的事情也适用于我的本地人。

我试过：

我也找到了需要安装libtesseract-dev的地方。因此，我将我的dockerfile修改为：

FROM lambci/lambda:build-python3.6
RUN sudo apt install tesseract-ocr
RUN sudo apt install libtesseract-dev

但不幸的是，这也不起作用。

Answer 1

经过18个小时的辛勤工作，我终于找到了答案。

事实证明，https://github.com/bweigel/aws-lambda-tesseract-layer并没有与运行pytesseract.image_to_pdf_or_hocr()所需的所有文件捆绑在一起。

所以我所做的是，我从源代码构建leptonica和tesseract，并生成

• 托拉斯文件夹
• tessconfigs文件夹和
• pdf.tiff文件

这些必需的文件可以在这里获得：https://github.com/prameshbajra/tessdata

在https://github.com/bweigel/aws-lambda-tesseract-layer内部，ready-to-use文件夹下有一个名为amazonlinux-1的目录，其中有一个名为tesseract/share/tessdata的文件夹。您所需要做的就是粘贴到该目录下的上面列出的文件中。

只需下载这回购并替换tessdata文件夹即可。

注意:这个tessdata是用tesseract 4.1.1构建的。

我希望这对未来的读者有帮助。编码愉快。

感谢本杰明·根兹(@bweigel)出版了这篇文章。你让我们的生活更轻松了。

Answer 2

添加这个配置参数为我修复了它，灵感来自于这个解决方案 :)

pytesseract.image_to_pdf_or_hocr("Image.png", extension="pdf", config = " -c tessedit_create_pdf=1")