非Root Ubuntu用户用Python Tesseract生成可搜索PDF遇FileNotFoundError

问题描述 #

在Ubuntu系统下以非Root用户身份，使用Python调用Tesseract的image_to_pdf_or_hocr生成可搜索PDF时出现FileNotFoundError，但调用image_to_string功能正常。报错详情如下：

FileNotFoundError                         Traceback (most recent call last)
<ipython-input-8-fd512bf1bdc4> in <module>
----> 1 pdf = pt.image_to_pdf_or_hocr(image,lang='hin',extension='pdf')
      2 with open('test.pdf', 'w+b') as f:
      3     f.write(pdf)

~/hindi_machine_readable/hindi_ocr/lib/python3.6/site-packages/pytesseract/pytesseract.py in image_to_pdf_or_hocr(image, lang, config, nice, extension, timeout)
    434     args = [image, extension, lang, config, nice, timeout, True]
    435 
--> 436     return run_and_get_output(*args)
    437 
    438 

~/hindi_machine_readable/hindi_ocr/lib/python3.6/site-packages/pytesseract/pytesseract.py in run_and_get_output(image, extension, lang, config, nice, timeout, return_bytes)
    284         run_tesseract(**kwargs)
    285         filename = kwargs['output_filename_base'] + extsep + extension
--> 286         with open(filename, 'rb') as output_file:
    287             if return_bytes:
    288                 return output_file.read()

FileNotFoundError: [Errno 2] No such file or directory: '/tmp/tess_5il97yg3.pdf'

可能原因及解决方案 #

1. 缺少PDF生成依赖 #

image_to_string仅需基础OCR功能，但生成PDF需要Tesseract依赖libtesseract-dev和poppler-utils（负责PDF渲染），非Root用户可能仅安装了基础Tesseract包。

• 有sudo权限的话执行：

  sudo apt update && sudo apt install libtesseract-dev poppler-utils
  

• 无sudo权限则联系管理员安装，或从源码编译Tesseract时启用PDF支持。

2. /tmp目录权限异常 #

报错中的临时文件存储在/tmp，若该目录权限限制了当前用户的读写，会导致文件无法生成。

• 检查目录权限：

  ls -ld /tmp
  

  正常权限应为drwxrwxrwt，若不符联系管理员修复。
• 手动指定自定义临时目录（需确保目录有读写权限）：

  import pytesseract as pt
  from PIL import Image
  import os
  
  image = Image.open('your_image.jpg')
  # 创建自定义临时目录
  temp_dir = os.path.expanduser('~/my_tess_temp')
  os.makedirs(temp_dir, exist_ok=True)
  # 指定临时目录调用接口
  pdf = pt.image_to_pdf_or_hocr(
      image, 
      lang='hin', 
      extension='pdf', 
      config=f'--tmpdir {temp_dir}'
  )
  with open('test.pdf', 'w+b') as f:
      f.write(pdf)
  

3. pytesseract版本存在bug #

旧版本pytesseract处理临时文件时可能存在逻辑问题，导致PDF临时文件未正确生成或被提前清理。

• 升级到最新版本：

  pip install --upgrade pytesseract
  

4. 印地语语言包不完整 #

若指定的hin语言包安装不完整，可能导致Tesseract无法生成PDF格式输出。

• 检查已安装语言包：

  tesseract --list-langs
  

• 未找到hin则安装语言包：

  sudo apt install tesseract-ocr-hin
  

  无sudo权限可手动下载语言包，放到Tesseract的tessdata目录（通过tesseract --version查看安装路径）。

内容的提问来源于stack exchange，提问作者PyroSama