具有PHP性能的Tesseract

Question

我已经用Laminas和Mezzio (前Zend表现力)实现了一个API。这里有一个处理程序，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，一切都很好。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，现在将其部署到RaspberryPIP4.4GBRAM模型中。两个动作都很慢！请求响应需要25-30秒。似乎不是问题所在。如果我从CLI呼叫它，它是超快的。但是简单的API调用也不会慢！看起来拉米纳/梅齐奥和特瑟乐手的结合是非常缓慢的。我实际上只做了从图像中提取文本并将其作为JSON响应发送回来。

我正在apache2服务器上运行php7.3。Pi在我的本地网络中，通过局域网连接。我正在用Postman测试API调用。

我能做些什么来提高绩效呢？是因为硬件吗？

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，我增加了时间测量，找到了瓶颈。它确实是"image_parsing"，是对Tesseract的执行。这对我来说很奇怪，因为就像我说的，在CLI上它是超快的。在这里，它占用了大部分的响应时间(279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，但是当我从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，瓶装水似乎是图像解析。更具体地说，瓶颈是“thiagoalessio/tesseract-ocr”库。下面的代码使用PHP的exec-函数而不是库，耗时5,82秒(而不是27，9秒)。这是一个巨大的差异。假设您已经在您的计算机上安装了tesseract，下面的代码可以正常工作：

<?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));
    }
}

您可以在堆栈溢出上为thiagoalessio/tesseract- performance库找到很多建议，但是您应该检查性能！在我的开发机器上，它工作得很好，但是在生产上它是超慢的，生产是一个成本问题。