Python 3.x 在python3textract库中使用tesseract

我想从PDF文件中提取文本。我可以成功地安装tesseract（它在终端中工作）和textract（按照说明）

然而，当我运行代码时，我得到了一个错误

text = textract.process(
    '/Users/Text/en.pdf',
    method='tesseract',
    language='eng',
)

错误是：

/usr/local/lib/python3.4/site-packages/textract-1.4.0-py3.4.egg/textract/parsers/pdf_parser.py in extract_tesseract(self, filename, **kwargs)
     62                 page_content = TesseractParser().extract(page_path, **kwargs)
     63                 contents.append(page_content)
---> 64             return ''.join(contents)
     65         finally:
     66             shutil.rmtree(temp_dir)

TypeError: sequence item 0: expected str instance, bytes found

我尝试了几次修改，但都不起作用，我也犯了同样的错误

返回b“”。加入（内容）

在返回之前插入

contents=[str（item）for item in contents]

在

返回之前插入
contents=[内容中的项目解码（“utf-8”）

---

事实上，我也问了同样的问题，得到了答案。以下是我翻译的核心部分。（谢谢，@mjy）

注意：此修改至少适用于英语

在pdf_parser.py的第64行 更改

返回“”。将（内容）

加入到

return "".join(item.decode('utf-8') if isinstance(item, bytes) else item for item in contents)

if isinstance(text, str):
    return text

但是，出现了另一个错误

name错误：未定义名称“unicode”

在

utils.py

的第54行中，将

如果是instance（文本，unicode）：（…cont…）

更改为

return "".join(item.decode('utf-8') if isinstance(item, bytes) else item for item in contents)

if isinstance(text, str):
    return text

---

你是绝对正确的-我道歉。我不知怎么错过了你修改的那一行。我在Slackware Linux系统上测试了您的示例tesseract 3.03和leptonica 1.70，它似乎在命令行中运行没有问题。你试过了吗

tesseract test_text.png out

BTW，为了避免混淆，我删除了我的回复…@jcoppens感谢您的检查。实际上，我也在命令行中尝试过。但是，由于提取后我需要用Python编辑文本，最方便的方法是用Python完成所有工作。我相信我曾经尝试过使用tesseract包装器，但无法使其正常工作。在这个回答中，我从程序中“手动”调用了tesseract，然后在Python中处理其输出。不要惊慌——代码很长，因为它还包括GUI代码。呼叫在第一类（识别数字）-以

out

开头的两行代码中。