使用OCR库Pix2Text执行p2t.recognize()时出现list index out of range的错误信息（附有Pix2Text识别图片内容和laTex公式的代码）

watermelo37

发布于 2025-01-22 21:46:02

5840

一、OCR和Pix2Text

1.1、OCR是什么

OCR（Optical Character Recognition，光学字符识别）是一种技术，它能够将不同来源的图像文件中的文字转换成可编辑的文本数据。OCR技术可以识别印刷体文字，也可以识别手写体文字，但后者的识别准确率通常较低。OCR技术广泛应用于文档数字化、数据录入、以及自动化处理等领域。

OCR技术的基本流程包括以下几个步骤：

预处理：对图像进行去噪、二值化、旋转校正等操作，以提高识别的准确性。
文字检测：在图像中定位文字的位置，这可能包括文字区域的检测和文字行的分割。
字符分割：将检测到的文字行进一步分割成单个字符或单词。
特征提取：从分割后的字符中提取有助于识别的特征。
分类识别：利用机器学习模型，根据提取的特征将字符分类识别成相应的文字。
后处理：对识别结果进行校正，比如通过语言模型来纠正可能的错误。

1.2、关于Pix2Text

Pix2Text是一种特定的OCR技术，它通常指的是将图像中的文字内容转换为文本的过程。这个术语并不是一个特定的产品或技术，而是一个通用的描述，用来表示将图像中的文字信息转换为可编辑文本的技术或服务。Pix2Text可以是任何OCR技术的实现，可以是软件、应用程序或在线服务。

OCR技术的关键点在于其准确性和速度，随着机器学习和深度学习技术的发展，现代OCR系统在识别多种语言和复杂文档格式方面取得了显著的进步。这些系统能够更好地处理不同的字体、大小、颜色以及图像质量，从而提供更高的识别准确率和更广泛的应用场景。

二、Pix2Text正常识别图片内容的代码

　　先上源码，这是一个通过Pix2Text来识别图片内容的脚本，Pix2Text识别精度和速度都还不错，主要是能有效识别公式，并生成laTex代码。

import os
import glob

from pix2text import Pix2Text, merge_line_texts

# 获取待识别的图片列表
img_fp_list = glob.glob(r'E:\code\python\textRecognition\data\test\pic1.*.png')


for img_fp in img_fp_list:
    # 新建pix2text对象，mfd是默认模式
    p2t = Pix2Text(analyzer_config=dict(model_name='mfd'))
    try:
        print("---start to recognize---")
        # 开始识别，得到该图片的识别结果
        outs = p2t.recognize(img_fp)  # can also use `p2t.recognize(img_fp)`  or 'p2t(img_fp, resized_shape=600)'
        print("---over---")

    except Exception as e:
        print("---error---")
        print(e)


    if outs:
        # 将内容拼接到一起
        img_name = img_fp.split('\\')[-1]
        out_fp = img_fp.replace(img_name, 'pix2text.txt')
        with open(out_fp, 'a', encoding='utf-8') as f:
            f.write(outs)

        outs = None

　　这个源码大多数情况都能执行，有需要的兄弟请自取。（注意，有博客说outs = p2t.recognize(img_fp)的返回值是一个字典，但是我的返回值是个字符串，可能和版本有关，这个看具体的情况来修改读取和拼接的代码）

三、对于部分图片执行时出现的“list index out of range”报错

　　通过try-except是报这个错，如果不try直接跑应该会直接报源码的错，但是源码报错一般都是自己代码写错了，很难判断具体的原因。

　　这篇博客是要解决一个莫名其妙的bug，在双列识别时，内容量过多所出现的“list index out of range”报错。

　　举个例子，笔者识别这些图片都没问题

但是同一篇论文，同一种格式的图片产出，这样的图片就会报错

　　经过测试，发现只要是内容满满荡荡的就会报错，稍微有点空行、图片、表格什么的还是能正常识别，追溯到源码，发现问题出在源码的utils.py的merge_line_text当中。

3.1、解决方案（小白操作版，后面有原因推测）

　　现在提供一种解决的思路：

①先ctrl+点击p2t.recognize，进入到pix_to_text.py

②在pix_to_text.py中，找到344行的merge_line_texts方法，ctrl+点击它进入utils.py（如果找不到这个方法直接ctrl+f搜索也是可以的）

③在utils.py中，大概在710+行的位置，找到这个循环，将if（我注释掉的就是原代码）改成while即可。

3.2、原因推测

　　简单说一下报错原因，这里其实是pix2Text的开发者在遍历识别结果_out，按照line_number和type的值拿出不同的内容，但是可能存在空行或者其他原因，经常会出现line_number并没有递增，而是突然从15变成17这样的情况，那么后面执行的时候，out_texts扩容速度跟不上导致out_texts[line_number]这个操作超出数组限制，导致报错。于是开发者添加了一个判断，如果在某一轮次出现了len(out_texts) <= line_number的情况，就给out_texts多扩容一次，但这里有个逻辑错误，if判断只能执行一次，事实上只有len(out_texts) = line_number的时候扩容一次是有效的，所有len(out_texts) < line_number的情况扩容一次是解决不了问题的。恰好我就遇到了这种情况，于是将if改成wihle，不断地扩容直到刚好len(out_texts) > line_number，这样就能正常运行了。

　　至于为什么一定是内容满满当当的论文图片才会有这种错误，这就要看Pix2Text所依赖的OCR引擎CnOCR的执行逻辑了，这个我目前还没有过深的接触，有懂的大佬可以在评论区解释一下。