TesseractとPyocrの組み合わせがうまく動かない？ 2021年08月25日
Googleの作った画像認識が得意なTesseractというアプリケーションがあって、それをPythonから使うために間を取り持つためのラッパーという役割でPyocrというライブラリがある。このライブラリを使えばPythonから簡単に画像認識、画像から文字列を抜き出すなどいろいろと便利になる。
のだが、ちょっと今このTesseractとPyocrをCentOS7.0上にインストールして使っていて、なんでだかエラーが出る。
[root@c7 lott]# python extract_number.py
tesseract 3.04.00
leptonica-1.72
libgif 4.1.6(?) : libjpeg 6b (libjpeg-turbo 1.2.90) : libpng 1.5.13 : libtiff 4.0.3 : zlib 1.2.7 : libwebp 0.3.0
psm_parameter(): failed to get Tesseract version. AssumingTesseract >= 4 --> using option '--psm'
Traceback (most recent call last):
File "/root/.pyenv/versions/3.9.0/lib/python3.9/site-packages/pyocr/tesseract.py", line 454, in get_version
ver_string = ver_string.split(" ")[1]
IndexError: list index out of range
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "/root/.pyenv/versions/3.9.0/lib/python3.9/site-packages/pyocr/tesseract.py", line 168, in psm_parameter
version = get_version()
File "/root/.pyenv/versions/3.9.0/lib/python3.9/site-packages/pyocr/tesseract.py", line 471, in get_version
raise TesseractError(
pyocr.error.TesseractError: (0, 'Unable to parse Tesseract version (spliting failed): []')
No. of data: NG> prize1 0どうやらtesseract.pyのget_version()という関数でエラーが出て失敗してるっぽいが、さらに読んでいくと
def get_version(set_env=True):
global g_version
～ 省略 ～
command = [TESSERACT_CMD, "-v"]
proc = subprocess.Popen(command,
startupinfo=g_subprocess_startup_info,
creationflags=g_creation_flags,
stdout=subprocess.PIPE)
ver_string = proc.stdout.read()
ver_string = ver_string.decode('utf-8')commandというリストに[“tesseract”, “-v”]というコマンドとオプションを格納して次のsubprocess.Popenに渡す、Popenオブジェクトからread()で標準出力を読み取ってバージョンを検証する流れだが、このPopenオブジェクトの標準出力に何も出力されていない。適当なところで print(ver_string) で何が入っているのか見てみたけどb”とか”とかなんにも出力されないのよね。。。
proc = subprocess.Popen(command,
startupinfo=g_subprocess_startup_info,
creationflags=g_creation_flags,
stdout=subprocess.PIPE,
stderr=subprocess.STDOUT)結局、標準エラー出力を標準出力にリダイレクトするとtesseractのバージョン情報がやっと読み取れるようになるんだが、-v オプションを付けてるのになんで標準エラー出力にバージョン情報が出てくるの？他のコマンドでテストしてみるとちゃんとバージョン情報は標準出力に出てくるのに。。。
これってtesseractが問題なの？それともsubprocess.Popenが問題なの？うーんPopenのソースも読まないといけないのか。。。あと他のCentOS7の環境にTesseractとPyocr入れて動き一緒なのか変わるのかも見ないとな。。。すんません、ここまで書いてて何が原因かまだわかりません。ここまで見てきたところで「あ、ブログ書かなきゃ」と思ったので頭の中にあったものを書いたまで。お粗末様。
