如何将 tesseract-ocr 与为 Azure Functions 构建的无服务器 Java 应用程序捆绑在一起？

编程问答 2022-05-17

问题描述

我正在添加 Apache Tika，用于从文档和图像（使用 TikaOcr）中提取文本到基于 AppService 的 Azure Functions 中的现有服务。现在，Apache Tika 需要在本地机器上安装 tesseract。为了克服这个问题，我使用 apt-get 来设置（通过 ssh-ing）到服务器中，但是（据我所知）设置是在基础 AppService 层上执行的。因此，调用并发 OCR 命令确实减慢了我的功能。由于没有 Tesseract 的官方二进制文件，我想知道是否有以下任何可能：

  1. 将 Tesseract 与我的 Functions 应用程序捆绑在一起
  2. 使用 Tesseract 构建 docker 映像。
  3. 使用 tesseract 运行时映像 (tesseract-shadow/tesseract-ocr-re) 构建多容器 docker 应用

我尝试使用 tesseract 和以下 dockerfile 构建 docker 镜像（按照 here 的说明进行操作），但 Apache Tika 无法使用它执行 OCR。

ARG JAVA_VERSION=11

# This image additionally contains function core tools – useful when using custom extensions
#FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION-core-tools AS installer-env
FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION-build AS installer-env

RUN apt-get update && apt-get install -y tesseract-ocr

copY . /src/functions-tika-extraction
RUN cd /src/functions-tika-extraction && \
    mkdir -p /home/site/wwwroot && \
    mvn clean package && \
    cd ./target/azure-functions/ && \
    cd $(ls -d */|head -n 1) && \
    cp -a . /home/site/wwwroot

# This image is ssh enabled
FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION-appservice
# This image isn't ssh enabled
#FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION

ENV AzureWebJobsScriptRoot=/home/site/wwwroot \
    AzureFunctionsJobHost__Logging__Console__IsEnabled=true

copY --from=installer-env ["/home/site/wwwroot","/home/site/wwwroot"]

我对 Docker 和 Azure 平台还很陌生，所以我可能在这里遗漏了一些东西，但是如何使用 Docker 或任何其他方法让我的 Azure Functions 与 Tesseract 一起工作？

解决方法

在阅读了 docker 文档并了解了一些关于 docker 的基础知识后，我终于可以确定实际上安装了 tesseract，在 Azure AppService 层之下，它以某种方式不允许容器访问它。如果 Tesseract 安装在最上层，则可以通过将其包含在 Dockerfile 的底部来使 Azure Functions 可用，如下所示：

ARG JAVA_VERSION=11

FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION-build AS installer-env

# remove this line
# RUN apt-get update && apt-get install -y tesseract-ocr

COPY . /src/functions-tika-extraction
RUN cd /src/functions-tika-extraction && \
    mkdir -p /home/site/wwwroot && \
    mvn clean package && \
    cd ./target/azure-functions/ && \
    cd $(ls -d */|head -n 1) && \
    cp -a . /home/site/wwwroot

# This image is ssh enabled
FROM mcr.microsoft.com/azure-functions/java:3.0-java$JAVA_VERSION-appservice

# add the line here
RUN apt-get update && apt-get install -y tesseract-ocr

ENV AzureWebJobsScriptRoot=/home/site/wwwroot \
    AzureFunctionsJobHost__Logging__Console__IsEnabled=true

COPY --from=installer-env ["/home/site/wwwroot","/home/site/wwwroot"]

虽然它确实满足了我将 tesseract-ocr 与 Azure Functions Java 应用程序捆绑在一起的要求，但不幸的是，调用仍然很慢。

apache-tikaazure-functionsdockerdockerjavajavaocrocr