具有 PHP 性能的 Tesseract

Question

我已经用 Laminas 和 Mezzio（以前的 Zend Expressive）实现了 API。我有一个处理程序，它使用 thiagoalessio\TesseractOCR 库 (https://github.com/thiagoalessio/tesseract-ocr-for-php) 从 PHP.

调用 Tesseract

在我的开发环境中一切正常。通过调用 API 获取图像文本需要 2-6 秒。

现在我首先将 API 部署到 Google 云 VM，现在我将其部署到 Raspberry Pi 4 4GB RAM 模型。两者都非常慢！请求响应需要 25-30 秒。 Tesseract 似乎不是问题所在。如果我从 CLI 调用它，它会非常快。但是简单的 API 调用也不慢！看起来 Lamina / Mezzio 与 Tesseract 的组合超级慢。除了从图像中提取文本并将其作为 JSON 响应发回之外，我什么也没做。

我在 apache2 服务器上运行 php 7.3。 Pi 在我通过 LAN 连接的本地网络中。我正在使用 Postman 测试 API 调用。

我可以做些什么来提高性能？是硬件吗？

这是我的处理程序代码

<?php

declare(strict_types=1);

namespace App\Handler;

use Laminas\Diactoros\Response\JsonResponse;
use Psr\Http\Message\ResponseInterface;
use Psr\Http\Message\ServerRequestInterface;
use Psr\Http\Server\RequestHandlerInterface;
use thiagoalessio\TesseractOCR\TesseractOCR;

class OcrHandler implements RequestHandlerInterface
{
    public function handle(ServerRequestInterface $request) : ResponseInterface
    {
        $measure = [];
        $start = microtime(true);

        $body = $request->getBody();

        $result = '';

        if(!empty($body->getContents())) {
            $measure['body_parse'] = microtime(true) - $start;
            $start = microtime(true);    

            $guid = $this->GUID();
            $imagePath = sprintf('%s/data/%s', getcwd(), $guid);

            file_put_contents($imagePath, $body->getContents());
            
            $measure['image_write'] = microtime(true) - $start;
            $start = microtime(true);

            $tesseractOcr = new TesseractOCR($imagePath);
            $tesseractOcr->withoutTempFiles();
            $result = $tesseractOcr->lang('deu')->run();
            
            $measure['image_parsing'] = microtime(true) - $start;
            $start = microtime(true);

            unlink($imagePath);

            $measure['image_delete'] = microtime(true) - $start;
        }

        return new JsonResponse(['result' => $result, 'measure' => $measure]);
    }

    private function GUID()
    {
        if (function_exists('com_create_guid') === true)
            return trim(com_create_guid(), '{}');
    
        return sprintf('%04X%04X-%04X-%04X-%04X-%04X%04X%04X', mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(16384, 20479), mt_rand(32768, 49151), mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(0, 65535));
    }
}

编辑

好的，我添加了时间测量并找到了瓶颈。确实是“image_parsing”，Tesseract的执行。这对我来说很奇怪，因为正如我所说，在 CLI 上它非常快。这里它占用了大部分响应时间（27.9 秒）！

{
    "result": "...",
    "measure": {
        "body_parse": 0.0018658638000488281,
        "image_write": 0.0020492076873779297,
        "image_parsing": 27.909277200698853,
        "image_delete": 0.0005030632019042969
    }
}

为什么它在 CLI 上这么快，但从 PHP 调用它时却这么慢？是否有任何可能的性能改进？

Answer 1

好的，正如我在编辑中提到的那样，瓶颈似乎是图像解析。更具体地说，瓶颈是库“thiagoalessio/tesseract-ocr-for-php”。以下代码使用 PHP 的 exec 函数而不是库，需要 5.82 秒（与 27.9 秒相比）。这是一个巨大的差异。下面的代码工作正常，假设你已经在你的机器上安装了 tesseract：

<?php

declare(strict_types=1);

namespace App\Handler;

use Laminas\Diactoros\Response\JsonResponse;
use Psr\Http\Message\ResponseInterface;
use Psr\Http\Message\ServerRequestInterface;
use Psr\Http\Server\RequestHandlerInterface;

class OcrHandler implements RequestHandlerInterface
{
    public function handle(ServerRequestInterface $request) : ResponseInterface
    {
        $measure = [];
        $start = microtime(true);

        $body = $request->getBody();

        $result = '';

        if(!empty($body->getContents())) {
            $measure['body_parse'] = microtime(true) - $start;
            $start = microtime(true);    

            $guid = $this->GUID();
            $imagePath = sprintf('%s/data/%s', getcwd(), $guid);
            $outputPath = $imagePath . '_out';

            file_put_contents($imagePath, $body->getContents());
            
            $measure['image_write'] = microtime(true) - $start;
            $start = microtime(true);

            exec(sprintf('tesseract %s %s', $imagePath, $outputPath));
            $result = file_get_contents($outputPath . '.txt');
            
            $measure['image_parsing'] = microtime(true) - $start;
            $start = microtime(true);

            unlink($imagePath);
            unlink($outputPath . '.txt');

            $measure['image_delete'] = microtime(true) - $start;
        }

        return new JsonResponse(['result' => $result, 'measure' => $measure]);
    }

    private function GUID()
    {
        if (function_exists('com_create_guid') === true)
            return trim(com_create_guid(), '{}');
    
        return sprintf('%04X%04X-%04X-%04X-%04X-%04X%04X%04X', mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(16384, 20479), mt_rand(32768, 49151), mt_rand(0, 65535), mt_rand(0, 65535), mt_rand(0, 65535));
    }
}

您在 Stack Overflow 上找到了很多关于 thiagoalessio/tesseract-ocr-for-php 库的建议，但您应该检查一下您的表现！在我的开发机器上它运行良好，但在生产上它非常慢而且生产是一个成本问题。

具有 PHP 性能的 Tesseract

Tesseract with PHP performance

php

zend-framework

tesseract