UnicodeDecodeError'；charmap'；Python中带有Tesseract OCR的编解码器

我正在尝试使用teseract OCR对python中的图像文件进行OCR。 我的环境是—— Windows计算机上的Python 3.5 Anaconda

代码如下：

from PIL import Image
from pytesseract import image_to_string
out = image_to_string(Image.open('sample.png'))

我得到的错误是：

File "Anaconda3\lib\sitepackages\pytesseract\pytesseract.py", line 167, in image_to_string
return f.read().strip()
File "Anaconda3\lib\encodings\cp1252.py", line 23 in decode
return codecs.charmap_decode(input, self.errors, decoding_table)[0]
UnicodeDecodeError:'charmap' codec can't decode byte 0x81 in position 1583: character maps to <undefined>

文件“Anaconda3\lib\sitepackages\pytesseract\pytesseract.py”，第167行，在图像到字符串中
返回f.read（）.strip（）
文件“Anaconda3\lib\encodings\cp1252.py”，解码中的第23行
返回编解码器.charmap\u解码（输入，self.errors，解码表）[0]
UnicodeDecodeError:“charmap”编解码器无法对1583位置的字节0x81进行解码：字符映射到

我试过上面提到的解决办法 黑客没用了

我在Mac OS上试过我的代码，它正在工作

我已经调查了pytesseract问题： 这是一个

---

谢谢

嗯……那里发生了一些非常奇怪的事情- 当我们谈论“latin1”文本编码时，字符“\x81”是不可打印的。然而，在库使用的“cp1252”编码上，它被映射到一个“未定义的字符”——这是显式的

发生的情况是，“latin1”在某种程度上是一种“无操作”编解码器，有时在Python中用于简单地将字节序列转换为unicode字符串（Python 3.x中的默认字符串）。编解码器“cp1252”几乎是相同的，在某些情况下，它可以与拉丁语1互换使用-但是这个“\x81”代码是两者之间的一个区别。对你来说，这是一个至关重要的问题

正确的做法是尝试为

image\u to\u string

函数提供可选的

lang

参数，以便它可以使用正确的编解码器对文本进行解码，前提是它能够更好地识别它显示的字符是“0x81”。然而，这可能不起作用——因为这可能只是一个与语言无关的非常奇怪的字符的OCR错误

因此，您的解决方法是monkeypatch“cp1252”编解码器，这样它就不会出现错误，而是填充一个Unicode“无法识别”字符-一种方法是在调用tesseract之前取消这些行：

from encodings import cp1252
original_decode  = cp1252.Codec.decode
cp1252.Codec.decode =  lambda self, input, errors="replace": original_decode(self, input, errors)

但是，如果可以，请打开pytesseract项目的bug报告。我猜他们现在应该使用“拉丁1”而不是“cp1252”编码