如何在Heroku服务器的Pytesseract中使用自定义.traineddata文件

前置准备 #

先将你持有的.traineddata文件存入Django项目根目录下新建的tessdata文件夹中，如有需要可同时将官方eng.traineddata也放入该目录，将整个文件夹提交到Git仓库。 #

步骤1：配置Heroku运行依赖 #

• 进入Heroku项目后台的「Settings」页，找到「Buildpacks」板块，按顺序添加两个buildpack：
  1. Heroku官方Apt buildpack
  2. Heroku官方Python buildpack
• 在项目根目录新建Aptfile文件，写入以下内容，部署时Heroku会自动安装Tesseract运行环境：

  tesseract-ocr
  libtesseract-dev
  

步骤2：配置TESSDATA_PREFIX参数 #

有两种配置方式，建议同时配置避免不生效：

1. 后台环境变量配置：在Heroku项目后台「Settings」的「Config Vars」板块新增变量：
   • 变量名：TESSDATA_PREFIX
   • 变量值：/app/tessdata/
     （Heroku部署后项目代码默认存放在/app目录下，对应你仓库里的tessdata文件夹路径就是/app/tessdata/）
2. 代码动态配置：在调用Pytesseract的代码块前增加路径配置，兼容本地和线上环境：

   import os
   import pytesseract
   
   # 指定Heroku上Tesseract的执行文件路径
   pytesseract.pytesseract.tesseract_cmd = "/usr/bin/tesseract"
   # 动态设置TESSDATA_PREFIX，路径根据你的tessdata文件夹位置调整即可
   os.environ["TESSDATA_PREFIX"] = os.path.join(
       os.path.dirname(os.path.abspath(__file__)), 
       "../tessdata"
   )
   

步骤3：调用自定义模型 #

调用image_to_string时，lang参数填写你自定义训练文件的前缀即可（训练文件名为xxx.traineddata，则lang参数为xxx）：

# 仅使用自定义字体模型
text = pytesseract.image_to_string(待识别图片对象, lang="你的自定义模型前缀")
# 同时使用自定义模型和官方英文模型
text = pytesseract.image_to_string(待识别图片对象, lang="你的自定义模型前缀+eng")

问题排查 #

如果运行提示找不到训练数据，可打印os.listdir(os.environ.get("TESSDATA_PREFIX"))检查目标路径下是否存在你的.traineddata文件，确认文件名拼写、大小写完全匹配lang参数。

内容的提问来源于stack exchange，提问作者Jan van Dongen