通过virtualenv在AWS Lambda上的Tesseract OCR

Question

我花了整整一个星期的时间尝试这个，所以这真是个冰雹玛丽。

我试图将Tesseract OCR打包到运行在Python上的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 /）

• 这样做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”

• 从https://bitbucket.org/3togo/python-tesseract/downloads下载0.9.1 python-tesseract鸡蛋文件 并执行easy_install在查找依赖项时也会出错

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。

Answer 1

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应该可以工作的示例。

7）创建一个名为main.py的文件，编写一个上面的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内查找main.py文件并调用函数lambda_handler。

重要

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。