如何在Databricks上安装Tesseract OCR并解决TesseractNotFoundError报错

TesseractNotFoundError报错核心原因：你仅安装了Python层面的pytesseract封装库，未安装Tesseract OCR的系统级核心程序。pytesseract本身不包含Tesseract二进制文件，需要额外安装系统依赖并加入PATH才能正常调用。

• 临时生效（单次会话可用，集群重启后需重新执行）：在Notebook中直接执行shell命令安装系统依赖：

%sh
apt update
apt install -y tesseract-ocr

• 永久生效（集群所有节点、重启后仍可用）：将上述两条apt命令写入集群的初始化脚本，配置后重启集群即可自动完成依赖安装。
• 安装完成后可执行以下代码验证安装结果：

import pytesseract
# 正常输出版本号即为安装成功
print(pytesseract.get_tesseract_version())

验证通过后重新运行原有业务代码即可正常执行。

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