如何在 Foundry 代码库中运行 pytesseract / tesseract？答案

【问题标题】：How can I run pytesseract / tesseract in Foundry Code Repositories?如何在 Foundry 代码库中运行 pytesseract / tesseract？
【发布时间】：2022-08-09 15:56:27
【问题描述】：

我正在尝试使用存储库中库 pytesseract 中的函数 image_to_string 来执行 PDF 的 OCR。但是，我收到以下错误：

从检查中我会假设库已正确加载：

有谁知道如何在这里解决问题？

标签： tesseract python-tesseract palantir-foundry foundry-code-repositories

【解决方案1】：

Foundry 似乎不尊重/运行环境激活脚本 https://github.com/conda-forge/tesseract-feedstock/blob/main/recipe/activate.sh 自动设置TESSDATA_PREFIX 环境变量。但是，我们可以手动推断该值并将其提供给 pytesseract API 调用。

定义以下辅助函数：

def _get_tessdata_directory_path():
    import sys
    from pathlib import Path
    env_root = Path(sys.executable).parent.parent
    share_dir = env_root / 'share' / 'tessdata'
    assert share_dir.exists(), 'tessdata directory does not exist in <envroot>/share/tessdata'
    return str(share_dir)

并像下面的 sn-p 所示使用它：

tessdata_dir_config = f'--tessdata-dir "{_get_tessdata_directory_path()}"'
pytesseract.image_to_string(image, ..., config=tessdata_dir_config)

【讨论】：

感谢您创建这些。或者，您是否尝试过从 CI shell 脚本部分调用它？它的缺点是它可能会被更新配置的自动 PR 覆盖，因此您需要小心合并。如果您点击“显示隐藏的文件和文件夹”，您可以在 ci.yml 上看到它
您能否在 ci.yml 中发布如何执行上述操作的示例？通常，由于文件顶部的警告，我们避免修改 ci.yml...（请勿修改或删除此文件。）
所以修改 CI 的主要问题是每当你升级你的 repo 时它都会被覆盖。我实际上不知道在这里回答什么。我个人的看法是，我认为只要你小心你正在做的事情，我认为你应该可以修改它，并且如果整个 repo 失败，不要打开支持请求。我需要考虑这个':)
我们已经在支持下进行了讨论。作为客户，我们需要一些不会因 PR 升级而中断的东西，否则我们不会使用它；）
我遇到了同样的问题，从 pytesseract 基本示例开始并收到此错误：pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH.我不确定在哪里可以找到路径信息 - 您的 Palantir 客户支持是否能够为您提供此信息？我也试过你的功能，但我得到了 tessdata 不存在异常。