我花了整整一个星期的时间来尝试这一点,所以这真是个冰雹玛丽。
我试图将Tesseract OCR打包到在Python上运行的AWS Lambda中(我也使用PILLOW进行图像预处理,因此选择了Python)。
我了解如何使用virtualenv将Python软件包部署到AWS上,但是我似乎找不到找到将实际的Tesseract OCR部署到环境中的方法(例如/ env /)
pip install py-tesseract
会成功将python包装器部署到/ env /中,但这取决于Tesseract的单独(本地)安装pip install tesseract-ocr
在我误认为是由于缺少leptonica依赖而导致错误之前,这样做只能使我获得一定的距离。但是,我不知道如何将leptonica打包到/ env /中(如果可能的话)tesseract_ocr.cpp:264:10: fatal error: 'leptonica/allheaders.h' file not found #include "leptonica/allheaders.h"
Processing dependencies for python-tesseract==0.9.1 Searching for python-tesseract==0.9.1 Reading https://pypi.python.org/simple/python-tesseract/ Couldn't find index page for 'python-tesseract' (maybe misspelled?) Scanning index of all packages (this may take a while) Reading https://pypi.python.org/simple/ No local packages or download links found for python-tesseract==0.9.1
任何指针将不胜感激。
它不起作用的原因是因为这些python软件包只是tesseract的包装。您必须使用AWS Linux实例编译tesseract,然后将二进制文件和库复制到lambda函数的zip文件中。
1)使用64位Amazon Linux启动EC2实例;
2)安装依赖项:
sudo yum install gcc gcc-c++ make
sudo yum install autoconf aclocal automake
sudo yum install libtool
sudo yum install libjpeg-devel libpng-devel libpng-devel libtiff-devel zlib-devel
3)编译安装leptonica:
cd ~
mkdir leptonica
cd leptonica
wget http://www.leptonica.com/source/leptonica-1.73.tar.gz
tar -zxvf leptonica-1.73.tar.gz
cd leptonica-1.73
./configure
make
sudo make install
4)编译并安装tesseract
cd ~
mkdir tesseract
cd tesseract
wget https://github.com/tesseract-ocr/tesseract/archive/3.04.01.tar.gz
tar -zxvf 3.04.01.tar.gz
cd tesseract-3.04.01
./autogen.sh
./configure
make
sudo make install
5)将语言训练有素的数据下载到tessdata
cd /usr/local/share/tessdata
wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/eng.traineddata
export TESSDATA_PREFIX=/usr/local/share/
此时,您应该可以在此EC2实例上使用tesseract。要复制tesseract的二进制文件并将其用于lambda函数,您需要将一些文件从该实例复制到您上传到lambda的zip文件中。我将发布所有命令以获取包含所需所有文件的zip文件。
6)压缩在lambda上运行tesseract所需的所有内容
cd ~
mkdir tesseract-lambda
cd tesseract-lambda
cp /usr/local/bin/tesseract .
mkdir lib
cd lib
cp /usr/local/lib/libtesseract.so.3 .
cp /usr/local/lib/liblept.so.5 .
cp /usr/lib64/libpng12.so.0 .
cd ..
mkdir tessdata
cd tessdata
cp /usr/local/share/tessdata/eng.traineddata .
cd ..
cd ..
zip -r tesseract-lambda.zip tesseract-lambda
tesseract-lambda.zip文件包含lambda运行tesseract所需的所有内容。最后要做的是在zip文件的根目录中添加lambda函数,并将其上传到lambda。这是一个我尚未测试但可以正常工作的示例。
7)创建一个名为main.py的文件,编写一个上述的lambda函数,并将其添加到tesseract-lambda.zip的根目录中:
from __future__ import print_function
import urllib
import boto3
import os
import subprocess
SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
LIB_DIR = os.path.join(SCRIPT_DIR, 'lib')
s3 = boto3.client('s3')
def lambda_handler(event, context):
# Get the bucket and object from the event
bucket = event['Records'][0]['s3']['bucket']['name']
key = urllib.unquote_plus(event['Records'][0]['s3']['object']['key']).decode('utf8')
try:
print("Bucket: " + bucket)
print("Key: " + key)
imgfilepath = '/tmp/image.png'
jsonfilepath = '/tmp/result.txt'
exportfile = key + '.txt'
print("Export: " + exportfile)
s3.download_file(bucket, key, imgfilepath)
command = 'LD_LIBRARY_PATH={} TESSDATA_PREFIX={} {}/tesseract {} {}'.format(
LIB_DIR,
SCRIPT_DIR,
SCRIPT_DIR,
imgfilepath,
jsonfilepath,
)
try:
output = subprocess.check_output(command, shell=True)
print(output)
s3.upload_file(jsonfilepath, bucket, exportfile)
except subprocess.CalledProcessError as e:
print(e.output)
except Exception as e:
print(e)
print('Error processing object {} from bucket {}.'.format(key, bucket))
raise e
在AWS控制台上创建AWS Lambda函数时,上传zip文件并将Hanlder设置为main.lambda_handler。这将告诉AWS Lambda在zip中查找main.py文件并调用函数lambda_handler。
重要的
AWS Lambda的环境有时会发生变化。例如,lambda env的当前图像是amzn-ami-hvm-2017.03.1.20170812-x86_64-gp2(当您阅读此答案时,可能不是这个图像)。如果tesseract开始返回分段错误,请在Lambda函数上运行“ ldd tesseract”,并查看输出所需的lib(当前为libtesseract.so.3 liblept.so.5 libpng12.so.0)。
感谢您的评论,SergioArcos。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句