使用 Dataflow 进行图像预处理

Question

任务：我将运行一个 ETL 作业，该作业将从 GCS 中提取 TIFF 图像，使用 OpenCV + Tesseract 等开源计算机视觉工具的组合将这些图像转换为文本，并最终加载数据导入 BigQuery

问题：我正在尝试使用 Dataflow 来执行 ETL 作业，因为我有数百万张图像（每个图像都是一个单独的文件/blob）并且我想扩展到数百台机器。但是，关于下载图像的最佳方式，我遇到了一些关于 Dataflow 的问题（将在下面更详细地描述）。

问题：最终我想确定：

1) 数据流是做到这一点的最佳解决方案吗？我考虑过的替代方案是在大型机器上运行多线程作业。还有其他我应该考虑的替代方案吗？

2）如果数据流是最好的解决方案，那么我应该如何专门处理下载数百万张图片（以便我可以通过转换运行它们）？

技术挑战：

以下帖子 Recommended solution 建议在 DoFn 中使用 beam.io.gcp.gcsio.GcsIO().open(filepath, 'r') 从 GCS 下载图像。
我尝试使用beam.io.gcp.gcsio.GcsIO().open(filepath, 'r') 沿着这条路走下去，但是，我无法打开图像。此处描述了该问题：IO.BufferReader issue。

使用DirectRunner 时，我可以使用此客户端api from google.cloud import storage 下载图像文件，我可以打开并预处理图像没有问题。但是，在使用数据流运行器时，我遇到了依赖问题，AttributeError: 'module' object has no attribute 'storage'。

话虽如此，如果 Dataflow 是最佳解决方案，那么下载和处理数百万张图像的最佳方法是什么？

Answer 1

你的想法是正确的。看来你遇到了两个问题：

• 对于 io.BufferedReader 问题，您需要添加一个界面，以便您在 Tiff 文件中查找，因为您正确找到了 in the question。

• 似乎使用google.cloud.storage 的问题是依赖在Dataflow 环境中不可用。要添加此依赖项，请查看 Beam 文档中的 Managing Python pipeline dependencies。

主要思想是，您可以使用传入的 --requirements_file reqs.txt 文件运行管道，列出您要添加的所有额外依赖项。