python-3.x - 在Python3文本库中使用tesseract

Question

我想从 PDF 文件中提取文本。我可以成功安装 tesseract(它在终端中工作)和 textract(遵循 this 指令)。

但是，当我运行代码时，出现错误。

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，但它们都不起作用，而且我遇到了同样的错误。

1. 返回 b''.join(contents)
2. 在return之前插入contents = [str(item) for item in content]
3. 在返回之前插入contents = [item.decode("utf-8") for item in content]

Answer 1

其实我在Japanese Stackoverflow (スタックオーバーフロー)中也做过同样的问题并得到了解决方案。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。

1. 在pdf_parser.py第64行
   将 return ''.join(contents) 更改为

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

2. 但是，出现了另一个错误。

   NameError:名称“unicode”未定义

3. 在 utils.py 第 54 行，将 if isinstance(text, unicode): (...cont...) 更改为

   if isinstance(text, str):
       return text