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？答案

【问题标题】：How to bundle tesseract-ocr with a serverless Java application built for Azure Functions?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？
【发布时间】：2021-03-23 08:14:23
【问题描述】：

我正在添加 Apache Tika，用于从文档和图像中提取文本（使用 TikaOcr）到 Azure Functions 中基于 AppService 顶部的现有服务。现在，Apache Tika 需要将 tesseract 安装在本地机器上。为了克服这个问题，我使用 apt-get 设置（通过 ssh-ing）到服务器中，但是（据我了解）设置是在基础 AppService 层上执行的。结果，并发 OCR 命令的调用确实减慢了我的功能。由于没有 Tesseract 的官方二进制文件，我想知道以下是否可行：

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

我已尝试使用带有以下 dockerfile 的 tesseract 构建 docker 映像（按照 here 的说明），但 Apache Tika 无法使用此执行 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，但是我怎样才能让我的 Azure Functions 使用 Docker 或任何其他方法与 Tesseract 一起工作？

【问题讨论】：

标签： java docker azure-functions ocr apache-tika

【解决方案1】：

在阅读了 docker 文档并了解了一些关于 docker 的基础知识之后，我终于可以弄清楚 tesseract 实际上是安装在 Azure AppService 层之下的，它以某种方式不允许容器访问它。如果将 Tesseract 安装在最上层，则可以通过将 Tesseract 包含在 Dockerfile 的底部将其提供给 Azure Functions，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 应用程序捆绑的要求，但不幸的是，调用仍然很慢。

【讨论】：