使用pytesseract转换TIF到PDF报错：cid not made from file

问题原因 #

该错误源于Tesseract生成PDF时的CID字体处理逻辑异常，常见触发场景包括：

• Ubuntu 18.04默认依赖的Leptonica版本过旧，与Tesseract 5.3.1的PDF生成模块兼容性不匹配，导致无法正确生成CID字体数据；
• 待转换的TIF文件存在格式异常（如多页编码问题、非标准压缩格式），干扰了Tesseract的解析流程；
• Tesseract的PDF生成参数配置不当，未指定正确的字体或OCR引擎模式。

解决办法 #

1. 升级依赖库 #

更新系统包并安装适配的Leptonica和Tesseract依赖：

sudo apt update && sudo apt upgrade
sudo apt install libtesseract-dev libleptonica-dev

若默认源提供的Leptonica版本仍低于1.82.0，需从源码编译安装最新版Leptonica后重新编译Tesseract 5.3.1。

2. 预处理TIF文件 #

将TIF转换为更易兼容的格式（如PNG）后再处理，以规避TIF格式的特殊性：

# 使用ImageMagick拆分多页TIF为单页PNG
convert input.tif output_%02d.png

之后通过pytesseract逐个处理单页图片，再用第三方库（如PyPDF2）合并为最终PDF。

3. 调整OCR参数 #

调用image_to_pdf_or_hocr时指定完整的OCR引擎模式、页面分割模式及字体参数：

import pytesseract
from PIL import Image

image = Image.open("input.tif")
pdf_content = pytesseract.image_to_pdf_or_hocr(
    image,
    extension="pdf",
    config="--oem 3 --psm 6 -c pdf_font_name=\"Arial\""
)
with open("output.pdf", "wb") as f:
    f.write(pdf_content)

4. 降级Tesseract版本 #

若升级依赖成本过高，可降级到Ubuntu 18.04源中兼容性更稳定的Tesseract 4.x版本：

sudo apt remove tesseract-ocr
sudo apt install tesseract-ocr=4.00~git2288-10f4998a-2

内容的提问来源于stack exchange，提问作者Nirali