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？

Question

我正在添加 Apache Tika，用于从文档和图像中提取文本（使用 TikaOcr）到基于 AppService 的 Azure Functions 中的现有服务。现在，Apache Tika 需要在机器本地安装 tesseract。为了克服这个问题，我使用 apt-get 设置（通过 ssh-ing）到服务器，但是（据我所知）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。由于没有正式的 Tesseract 二进制文件，我想知道是否有以下任何一种可能：

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

我已经尝试使用 tesseract 和以下 docker 文件构建 docker 图像（按照 here 的说明），但是 Apache Tika 无法用它执行 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"]

我是 Docker 和 Azure 平台的新手，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？

Answer 1

阅读完 docker 文档并了解了一些关于 docker 的基础知识后，我终于弄清楚 tesseract 实际上是安装在 Azure AppService 层下面的，它以某种方式不允许容器来访问它。如果安装在最上层，通过将 Tesseract 包含在 Dockerfile 的底部，可以使 Tesseract 对 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。

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？

How to bundle tesseract-ocr with a serverless Java application built for Azure Functions?

java

ocr

apache-tika

docker

azure-functions