Tesseract OCR 在 Cloud Run 实例中给出了一个奇怪的输出，而本地输出是正确的

Question

我们有一个在谷歌云平台上运行的管道：

1. 从文本文档图像中提取作物
2. 处理这些作物以确保它们始终是白底黑字
3. 将 crops 传递给 pytesseract 以提取文本。

大多数时候，一切正常，提取的文本是正确的，除了一些作物。

一个例子是格式中的多行裁剪，经常输出错误，例如：

35LURC194-     -> output as SSLUBe404-
6                           6      

（这是一个稍微修改过的问题实例，但你明白了要点）

现在，事情变得奇怪了。

作为我们调试过程的一部分，我们在本地运行相同的代码，并且对于 OCR 文本在生产（云）上出现错误的每个实例，它在本地机器上都能准确运行！

本地环境和云环境的区别是：

	本地	云
操作系统	Arch Linux	Debian Slim Buster Docker 镜像
Python版本	3.10.10	3.8.6
内存	8GB	3GB
环境	本地人	Docker 容器（云运行）

到目前为止我们尝试过的事情：

• 确保重要包（pytesseract、torch、torchvision、Tesseract）的版本在本地和生产上相同
• 为 Cloud Run 实例添加了更多 RAM 和 CPU
• 将容器Dockerfile中的Python版本升级到3.10.10
• 确保传递给 Tesseract 的裁剪图像在两种情况下都是相同的（相同的纵横比，看起来相同）
• 三重检查本地运行的代码与在云端运行的代码相同
• 在两种情况下使用不同的 OEM 设置和正确的 PSM（多行）运行 Tesseract

我们对可能导致这种情况的原因已经用尽了所有想法，这真的令人费解。在两种情况下，直到 tesseract 处理步骤之前的所有内容都是相同的，因此问题必须与 Tesseract 本身或环境有关，但是，除了操作系统本身之外，一切都是相同的。

很想听听关于我们还可以尝试什么的任何想法，或者其他人是否有类似的经历。

Answer 1

所以最后确实是版本问题，跟语言数据文件的版本有关

这个答案为我解决了这个问题，我基本上用

wget

下载了语言数据文件，将它们复制到Dockerfile中到

/usr/share/tesseract-ocr/4.00/tessdata

（目录可以根据您的操作系统而有所不同）并且它就像一个魅力。

仍然奇怪的是，通常安装提供这种语言文件的软件包应该足够了（例如 Debian 上的

apt install tesseract-ocr-eng

）但在我的情况下，这些提供的版本没有给我正确的输出。

注意：帮助我找到解决方案的一个重要步骤实际上是在本地运行容器（通常它在 GCP 上的 Cloud Run 中运行），这允许更快的调试和实验。