Windows环境下TesseractNotFoundError报错的解决方法咨询

问题场景 #

在Windows系统、Anaconda环境下使用Spyder作为IDE，尝试对PDF文件中的图片应用Tesseract-OCR时，触发错误：

TesseractNotFoundError: C:\Users\jsbno\AppData\Local\Programs\Tesseract-OCR未安装或未在PATH中。

用户运行的代码如下：

from pathlib import Path
from PIL import Image
import pytesseract
import typing
from borb.pdf.pdf import PDF
from borb.pdf import Document
from borb.toolkit.ocr.ocr_as_optional_content_group import OCRAsOptionalContentGroup
from borb.toolkit.text.simple_text_extraction import SimpleTextExtraction

pytesseract.pytesseract.tesseract_cmd = r'C:\Users\jsbno\AppData\Local\Programs\Tesseract-OCR'

def apply_ocr_to_document():
    # Set up everything for OCR
    tesseract_data_dir: Path = Path("C:\\Temp")
    assert tesseract_data_dir.exists()
    l: OCRAsOptionalContentGroup = OCRAsOptionalContentGroup(tesseract_data_dir)

    # Read Document
    doc: typing.Optional[Document] = None
    with open("C:\\Temp\\paklijst1.pdf", "rb") as pdf_file_handle:
        doc = PDF.loads(pdf_file_handle, [l])

    assert doc is not None

    # Initialize SimpleTextExtraction with the OCR result
    text_extraction = SimpleTextExtraction(doc)

    # Extract the text from the document
    extracted_text = text_extraction.extract()

    # Print the extracted text
    print(extracted_text)

# Call the function to apply OCR and extract the text
apply_ocr_to_document()

解决方案 #

• 修正tesseract_cmd路径
  当前代码指定的是Tesseract的安装文件夹，但pytesseract需要指向可执行文件的完整路径。修改代码中的对应行：

  pytesseract.pytesseract.tesseract_cmd = r'C:\Users\jsbno\AppData\Local\Programs\Tesseract-OCR\tesseract.exe'
  

• 重启程序验证PATH生效
  环境变量修改后需要重启程序才能生效，关闭所有Spyder和Anaconda终端窗口，重新启动后测试。也可以在Anaconda CMD中执行tesseract --version，若能输出版本信息则PATH配置正确。

• 检查Tesseract安装完整性
  确认安装路径下存在tesseract.exe和tessdata语言包文件夹，若tessdata缺失，需重新安装Tesseract并勾选语言包选项。

• 手动配置Spyder的环境变量
  Spyder可能无法自动继承系统PATH的最新修改，可手动添加：

  1. 打开Spyder，进入工具->偏好设置->Python解释器
  2. 找到环境变量选项，点击编辑
  3. 添加C:\Users\jsbno\AppData\Local\Programs\Tesseract-OCR到PATH列表，保存后重启Spyder。

• 修正borb的OCR数据目录配置
  OCRAsOptionalContentGroup需要指向Tesseract的tessdata目录，而非临时文件夹，修改对应代码：

  tesseract_data_dir: Path = Path(r"C:\Users\jsbno\AppData\Local\Programs\Tesseract-OCR\tessdata")
  assert tesseract_data_dir.exists()
  

内容的提问来源于stack exchange，提问作者JustinB