如何定义 tesseract_cmd 以在 AWS Lambda 函数中使用 Tesseract-OCR

Question

我正在使用 AWS 处理图像并使用 Tesseract 和 Python 提取文本。在我的后端，我上传了pytesseract库和Tesseract-OCR文件夹。 在本地它工作得很好，我不需要更改tesseract-cmd来找到tesseract.exe 。 当我将此文件夹上传到 AWS Lambda 时，它返回一个TesseractNotFound错误，指出未安装 tesseract 或它不在您的 PATH 中。 我已经尝试更改tesseract-cmd但我无法解决它。 我的文件夹结构是 /opt/python/lib/python3.7/site-packages，在 site-packages 里面我有我的库（Pillow、pytesseract、Tesseract-OCR）。 我已经尝试使用这个和这个选项创建一个新的 Lambda Function 但都不起作用。 我想我可以使用环境变量来解决它，但我不知道该怎么做。

错误

我的文件夹结构

如果有人知道如何以更好的方式做到这一点，我也会接受一个答案

Answer 1

为了解决这个错误，我需要做很多事情，但最终它起作用了。 正如所评论的那样，AWS Lambda 在 Linux 环境中运行，因此您需要像在 Linux 环境中执行时那样编译库。 就我而言，我没有一台 Linux 机器来做这件事，所以我按照以下步骤操作：

您可以跳过第 1 步，只需在此处下载文件

1 - （如果你没有一台 Linux 机器）我用 Amazon Linux AMI 启动了一个 EC2 实例，基本实例运行良好。

sudo yum update
sudo yum install git-core -y
sudo yum install docker -y
sudo service docker start
sudo usermod -a -G docker ec2-user #It will allow ec2-user to call docker

执行完最后一段代码后，您需要重启 EC2 实例（只需断开并重新连接）

git clone https://github.com/amtam0/lambda-tesseract-api.git
cd lambda-tesseract-api/
bash build_tesseract4.sh #It will take some time
bash build_py37_pkgs.sh

之后，您将拥有一个文件夹 (lambda-tesseract-api)，其中包含您需要的所有文件。 就我而言，我创建了一个 GitHub 存储库并将所有文件上传到那里，然后将其下载到我的计算机上以创建我的 Lambda 层。

2 - 下载文件后，您将 zip 文件一个接一个地上传到您的层（open-cv、Pillow、tesseract、pytesseract），然后使用 Lambda Function 上的层来运行 tesseract。

这是您将为 tesseract 作品创建的 lambda 处理程序 function。 （oem、psm 和 lang 是 tesseract 参数，您可以在此处了解更多信息）

import base64
import pytesseract

def ocr(img,oem=None,psm=None, lang=None):
    
  config='--oem {} --psm {} -l {}'.format(oem,psm,lang)
  ocr_text = pytesseract.image_to_string(img, config=config)
    
  return ocr_text
      
def lambda_handler(event, context):
    
    # Extract content from json body
    body_image64 = event['image64']
    oem = event["tess-params"]["oem"]
    psm = event["tess-params"]["psm"]
    lang = event["tess-params"]["lang"]
    
    # Decode & save inp image to /tmp
    with open("/tmp/saved_img.png", "wb") as f:
      f.write(base64.b64decode(body_image64))
    
    # Ocr
    ocr_text = ocr("/tmp/saved_img.png",oem=oem,psm=psm,lang=lang)
    
    # Return the result data in json format
    return {
      "ocr": ocr_text,
    }

您还需要设置一个环境变量。 键将是PYTHONPATH ，值将是/opt/

参考：

https://medium.com/analytics-vidhya/build-tesseract-serverless-api-using-aws-lambda-and-docker-in-minutes-dd97a79b589b

AWS 上的 Tesseract OCR Lambda 通过 virtualenv （Alex Albracht 回答）