python3 + pytesser3 识别验证码过程中‘gbk'’编码问题的解决

初次练习使用pytesser3识别简单验证码时，遇到了‘gbk’编码不能识别的问题，经过一番折腾后解决了，特此记录下来并分享给大家！

验证码识别代码为：

from PIL import Image
import pytesser3

im = Image.open("captcha.gif", )

print(pytesser3.image_file_to_string("captcha.gif"))
print(pytesser3.image_to_string(im))

在这之前我已经安装好PIL, Tesseract-OCR并修改了环境变量。也修改了pytesser3包__init__.py中的tesseract_exe_name 为tesseract-OCR的安装路径。

运行上述代码后，报错如下：

Traceback (most recent call last):
  File ".../pytesser3_try.py", line 6, in 
    print(pytesser3.image_file_to_string("captcha.gif"))
  File "C:\Users\1\AppData\Roaming\Python\Python36\site-packages\pytesser3\__init__.py", line 44, in image_file_to_string
    text = util.retrieve_text(scratch_text_name_root)
  File "C:\Users\1\AppData\Roaming\Python\Python36\site-packages\pytesser3\util.py", line 11, in retrieve_text
    text = inf.read()
UnicodeDecodeError: 'gbk' codec can't decode byte 0x99 in position 8: illegal multibyte sequence

经过研究后发现，解决该问题的方法是给上述提到的util.py中的retrieve_text函数中的open函数添加一个encoding参数。

原代码为：

def retrieve_text(scratch_text_name_root):
    inf = open(scratch_text_name_root + '.txt')
    text = inf.read()
    inf.close()
    return text

修改后为：

def retrieve_text(scratch_text_name_root):
    inf = open(scratch_text_name_root + '.txt', encoding='utf-8')
    text = inf.read()
    inf.close()
    return text

此时在运行上述代码就没有问题了！