Pytesseract运行无报错但无文本输出的排查与解决

一、无文本输出的原因及解决 #

1. 语言包缺失
   Tesseract默认仅包含英文语言包，若你的纸质日程是中文，需先安装中文语言包（下载后放到Tesseract的tessdata目录，通常是C:\Program Files\Tesseract-OCR\tessdata），然后在识别时指定语言参数：

text = pytesseract.image_to_string(im, config="--psm 4 -l chi_sim")

（chi_sim代表简体中文，若为繁体用chi_tra）

2. PSM模式不匹配
   --psm 4适用于严格的列/表格结构，若你的日程照片排版松散、倾斜或不是规整列结构，尝试切换PSM模式：

• --psm 3：默认自动模式，让Tesseract自动分析布局
• --psm 6：假设文本是单一统一块
• --psm 11：适用于稀疏分布的文本

3. 图片预处理不足
   纸质照片常存在倾斜、阴影、低对比度等问题，会严重影响识别率，先做预处理：

from PIL import Image, ImageOps, ImageEnhance

# 转灰度
im_gray = ImageOps.grayscale(im)
# 增强对比度
enhancer = ImageEnhance.Contrast(im_gray)
im_enhanced = enhancer.enhance(2.0)
# 二值化（根据实际情况调整阈值）
im_threshold = im_enhanced.point(lambda x: 0 if x < 128 else 255, '1')

# 预处理后再识别
text = pytesseract.image_to_string(im_threshold, config="--psm 4 -l chi_sim")

4. 工作目录问题
   Jupyter的工作目录可能和你存放图片的目录不一致，改用绝对路径加载图片：

import os
im = Image.open(os.path.abspath("sample_06.jpeg"))

二、Jupyter内核参数冲突错误的解决 #

错误cannot convert --f=c:\Users\{myUserName}\AppData\Roaming\jupyter\runtime\kernel-v2-xxxx.json是Jupyter内核将自身参数传递给pytesseract子进程，导致Tesseract误解析。解决方法：

1. 直接运行Python脚本
   暂时退出Jupyter，将代码保存为.py文件，用Python直接运行，验证是否还出现该错误。

2. 升级pytesseract
   更新到最新版本的pytesseract，修复已知的子进程参数冲突问题：

pip install --upgrade pytesseract

3. 手动调用Tesseract命令
   绕过pytesseract的封装，直接用subprocess调用Tesseract命令：

import subprocess
import tempfile
import os

# 将图片临时保存为PNG（Tesseract对PNG支持更好）
with tempfile.NamedTemporaryFile(suffix='.png', delete=False) as tmp_file:
    im.save(tmp_file.name)

# 构建Tesseract命令
tesseract_path = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
cmd = [
    tesseract_path,
    tmp_file.name,
    'stdout',  # 直接输出到标准输出
    '--psm', '4',
    '-l', 'chi_sim'
]

# 执行命令并获取结果
result = subprocess.run(cmd, capture_output=True, text=True)
text = result.stdout

# 删除临时文件
os.unlink(tmp_file.name)

print(text)

内容的提问来源于stack exchange，提问作者yellowjuniper