pytesseract中tessedit_char_whitelist无法兼容引号的问题咨询

为啥会报错？ #

你遇到的问题主要出在两个核心层面，还有一个容易忽略的小细节：

1. Python字符串解析冲突：你用三重双引号"""来写配置字符串，但白名单里直接放了双引号"，Python会把这个双引号当成字符串的结束标记，直接触发语法错误——这也是你看到Traceback的直接原因。
2. Tesseract命令行参数解析坑：就算你把Python字符串的问题搞定了，当pytesseract把配置传给Tesseract命令行时，引号会被系统的命令行解析器当成参数分隔符，导致Tesseract接收到的白名单不完整，识别不了引号字符。
3. 小细节：你白名单里写的<是HTML转义后的<，Tesseract会把它当成三个独立的字符&、l、t，而不是小于号，得改成直接写<才行。

一步步解决问题 #

1. 先搞定Python字符串的语法问题 #

这里有两种简单可靠的写法，选一个你习惯的就行：

写法一：用三重单引号的原始字符串

带r前缀的三重单引号字符串，可以直接包含单引号和双引号，不会触发字符串终止，写起来最省心：

tesseract_config = r'''
-c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ#'<>(){};:"
'''

写法二：单引号包裹+转义内部单引号

如果喜欢用单引号字符串，只需要把内部的单引号用\'转义，双引号直接写就行：

tesseract_config = r'-c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ#\'<>(){};:"'

2. 让Tesseract正确识别引号字符 #

为了避免命令行解析器吃掉你的引号，最好把整个白名单的值用单引号在Tesseract的参数里包裹起来，这样内部的引号会被当作普通字符处理。调整后的配置如下：

# 适配Windows/Linux/macOS的通用写法
tesseract_config = r'''
-c tessedit_char_whitelist='0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ#\'<>(){};:\"'
'''

这里的逻辑是：Tesseract会把单引号包裹的内容完整当作白名单，内部的单引号用\'转义，双引号用\"转义，确保命令行解析时不会被截断。

3. 修复HTML转义的小问题 #

把白名单里的<改成<，不然Tesseract识别的是&、l、t三个字符，不是你想要的小于号。

完整可运行的代码示例 #

from PIL import Image
import pytesseract

# 修正后的配置
tesseract_config = r'''
-c tessedit_char_whitelist='0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ#\'<>(){};:\"'
'''
tesseract_language = "eng"

# 识别图片
text = pytesseract.image_to_string(
    Image.open('res/outc001.jpg'),
    lang=tesseract_language,
    config=tesseract_config
)
print(text)

排错小技巧 #

如果还是不行，可以打印出pytesseract生成的完整命令，看看参数有没有问题：

# 查看生成的命令行
print(pytesseract.build_tesseract_cmd(
    image_filename='res/outc001.jpg',
    output_filename='temp',
    extension='txt',
    lang=tesseract_language,
    config=tesseract_config
))

通过检查命令，你能直观看到白名单参数是否被正确传递给Tesseract，方便排查问题。

内容的提问来源于stack exchange，提问作者Mixony