Tesseract提取特殊字符文本终端打印报ASCII编码错误求解决方案

这个问题的核心原因是：虽然你的Python代码已经正确处理了UTF-8编码，但Docker容器内的终端输出编码没有正确设置为UTF-8，导致print()尝试用ASCII编码输出包含法语特殊字符（é、è、à、ç等）的字符串时失败。写入文件时你显式指定了encoding='utf-8'，所以能正常保存，但终端输出环节的编码不匹配引发了报错。

下面给你几个可行的解决方案，按从代码层面到环境配置的顺序排列：

方案一：在Python代码中强制设置stdout编码（无需修改容器环境） #

针对Python 3.6（你当前的版本），可以用codecs模块重新包装标准输出流，强制它使用UTF-8编码：

# -*- coding: utf-8 -*-
import cv2
import pytesseract
import sys
import codecs

# 强制stdout使用UTF-8编码
sys.stdout = codecs.getwriter('utf-8')(sys.stdout.detach())

with open('path_to_text_file', 'w', encoding='utf-8') as f:
    try:
        im = cv2.imread(path_to_image)
        text = pytesseract.image_to_string(im, lang='fra')
        f.write(text + '\n')
        print(text)
    except Exception as e:
        print(e)
        # 提示：with语句会自动关闭文件，这里不需要手动执行f.close()

说明：Python 3.7及以上版本可以用更简洁的sys.stdout.reconfigure(encoding='utf-8')，但3.6不支持这个方法，所以采用上述codecs方案。

方案二：修改Docker容器的Locale配置（从环境根源解决） #

Docker默认的Locale是C（ASCII编码），你可以通过Dockerfile或者启动命令修改容器的Locale为UTF-8：

方法1：在Dockerfile中添加Locale配置 #

# 基于你的基础镜像，比如ubuntu:18.04
FROM ubuntu:18.04

# 安装locale工具并生成UTF-8 locale
RUN apt-get update && apt-get install -y locales && \
    locale-gen fr_FR.UTF-8 && \
    rm -rf /var/lib/apt/lists/*

# 设置环境变量指定默认Locale
ENV LANG fr_FR.UTF-8
ENV LC_ALL fr_FR.UTF-8

重新构建镜像后，容器内的终端默认编码就是UTF-8，Python的print()就能正常输出特殊字符了。

方法2：启动容器时临时指定Locale环境变量 #

如果不想修改Dockerfile，可以在启动容器时通过-e参数传入Locale变量：

docker run -e LANG=fr_FR.UTF-8 -e LC_ALL=fr_FR.UTF-8 your-image-name

方案三：临时编码转换后打印（快速测试用） #

如果只是临时测试，不想修改代码或容器配置，可以把字符串编码为UTF-8字节后再输出：

# 替换原有的print(text)为：
import sys
sys.stdout.buffer.write(text.encode('utf-8') + b'\n')

这个方法绕过了Python的字符串编码环节，直接把UTF-8字节写入终端输出流，只要你的本地终端支持UTF-8就能正常显示。

验证你的环境 #

你可以先在Python中打印当前标准输出的编码，确认问题所在：

import sys
print(sys.stdout.encoding)

如果输出是ASCII，那就能确认是终端输出编码的问题，用上面的方案解决即可。

内容的提问来源于stack exchange，提问作者singrium