python - Django を使用して Heroku で Tesseract を使用する

Question

Heroku で実行されている Django アプリに OCR 機能を追加したいと考えています。最も簡単な方法はTesseractを使用することだと思います。Tesseract の API 用の Python ラッパーが多数あることに気付きましたが、Heroku に Tesseract をインストールして実行するための最良の方法は何ですか? heroku-buildpack-tesseract のようなカスタム ビルドパック経由でしょうか?

Answer 1

ここでたどり着いた解決策についていくつかメモを取ろうと思います。

私の.buildpacksファイル:

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

私の.buildpacks_bin_downloadファイル:

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

これは、pdf ファイルの OCRing を行う python の重要な部分です。

        # 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()