python - 在 Heroku 上使用 Tesseract 和 Django

Question

我想将 OCR 功能添加到在 Heroku 上运行的 Django 应用程序。我怀疑最简单的方法是使用 Tesseract 。我注意到 Tesseract 的 API 有许多 python 包装器，但是在 Heroku 上安装和运行 Tesseract 的最佳方法是什么？通过像 heroku-buildpack-tesseract 这样的自定义构建包也许？

Answer 1

我将尝试记录一些关于我在这里找到的解决方案的注释。

我的.buildpacks文件:

https://github.com/heroku/heroku-buildpack-python
https://github.com/clearideas/heroku-buildpack-ghostscript
https://github.com/marcolinux/heroku-buildpack-libraries

我的.buildpacks_bin_download文件:

tesseract-ocr https://s3.amazonaws.com/tesseract-ocr/heroku/tesseract-ocr-3.02.02.tar.gz 3.02 eng,spa

这是Python中对pdf文件进行OCRing的关键部分:

        # Additional processing
        document_path = Path(str(document.attachment_file))

        if document_path.ext == '.pdf':
            working_path = Path('temp', document.directory)
            working_path.mkdir(parents=True)

            input_path = Path(working_path, name)
            input_path.write_file(document.attachment_file.read(), 'w')

            rb = ReadBot()

            args = [
                'VBEZ',
                # '-sDEVICE=tiffg4',
                '-sDEVICE=pnggray',
                '-dNOPAUSE',
                '-r600x600',
                '-sOutputFile=' + str(working_path) + '/page-%00d.png',
                str(input_path)
            ]

            ghostscript.Ghostscript(*args)
            image_paths = working_path.listdir(pattern='*.png')
            txt = ''

            for image_path in image_paths:
                ocrtext = rb.interpret(str(image_path))
                txt = txt + ocrtext

            document.notes = txt
            document.save()
            working_path.rmtree()