Привет, Хабр! На просторах интернета, да и на самом Хабре есть огромное количество статей про OCR. Сегодня я бы хотел рассказать не про процесс распознавания текста а про методику развертывания решения в закрытом контуре (проще говоря - без интернета)

Дисклеймер

В статье рассматривается простейший метод сборки готового решения, работающего offline в закрытом контуре предприятия

Update 1

В комментариях ниже писали

Не специалист, но вероятнее всего проблема вашей статьи в том, что вместо нее достаточно двух строк:

...

Причем эти две строчки берутся и первого же ответа, первой же ссылки "pip offline install".

Эта статья появилась как раз потому, что pip download проблему с easyocr в закрытом контуре не решает (точнее решает но не до конца - подробное описание проблемы есть ниже в статье на этапе описания скрипта init.py)

Что будет в статье

• Напишем простенький код для распознавания текста с картинок (Python + easyocr)

• Соберем Docker образ, позволяющий запускать наш код offline

• Выгрузим образ в архив, для того чтобы его можно было развернуть offline

• Развернем образ в закрытом контуре из архива

1. Код для распознавания текста с картинок

Предположим, что перед нами стоит задача парсить изображение, содержащее таблицу из четырех колонок (например скриншот со списком американских президентов)

Для того, чтобы решить эту задачу воспользуемся библиотекой easyocr

import easyocr

qty = 4
reader = easyocr.Reader(['en'])
result = reader.readtext('test.png', detail=0)

rows = [result[start:start+qty] for start in range(0, len(result), qty)]

print(rows)

Данный код выведет в консоль двумерный список, с результатами парсинга изображения

Разумеется, для того, чтобы этот код работал потребуется установить библиотеку easyocr

pip3 install easyocr

2. Сборка Docker образа для работы offline

Так как одно из требований для модуля OCR - автономная работа после разветрывания, необходимо не только подготовить окружение, но и подгрузить все необходимые компоненты для работы easyocr в offline режиме, для этого напишем Dockerfile следующего содержания

FROM python:3.11.4

WORKDIR /usr/src/ocr

COPY requirements.txt ./
RUN pip install --no-cache-dir -r requirements.txt

COPY init.py ./
RUN python ./init.py

CMD [ "tail", "-f", "/dev/null" ]

В Dockerfile используется файл requirements.txt в котором описываются все необходимые Python библиотеки

easyocr == 1.7.0
Pillow == 9.5.0

Обратите внимание на downgrade библиотеки Pillow, это поможет избавиться от проблем совместимости с deprecated функциями. Спасибо добрым людям на stackoverflow

Еще один необходимый файл для сборки образа - скрипт init.py

import easyocr
reader = easyocr.Reader(['en'])

Обратите внимание, что скрипт не только добавляется к образу, но и запускается в процессе сборки, тем самым выкачивая и сохраняя в образе все необходимое для работы модуля OCR при обработке изображений (в данном примере выкачивается набор данных для обработки и парсинга текста на английском языке)

Компоненты для сборки образа у нас есть, осталось только собрать все воедино

docker build -t easyocr .

3. Выгрузка образа в tar архив

На самом деле этот пункт достаточно короткий, наверное, зря я выделил для него отдельный раздел в статье, но тем не менее он тоже важен, поэтому оставлю структуру статьи без изменений.

Для того чтобы запаковать подготовленный образ в tar архив воспользуемся следующей командой

docker save easyocr | gzip > easyocr.tar.gz

Процесс может занять некоторое время, так как архив получится довольно увесистый, но в итоге вы получите готовый к транспортировке в закрытый контур архив easyocr.tar.gz

4. Развертывание образа в закрытом контуре

Все что осталось сделать на данном этапе - поместить архив на носитель информации, пронести в заерытый контур и загрузить архив на подопытную машину. С первыми двумя пунктами нашего плана вы и сами прекрасно справитесь, а для реализации третьего пункта нужно воспользоваться следующей командой (выполняется из каталога с архивом)

docker load -i ./easyocr.tar.gz

Разумеется для того, чтобы все это работало на испытуемой машине должен стоять Docker (сейчас это совсем не проблема для закрытого контура, даже для отечественных ОС можно использовать локальные репозитории, в которых Docker есть - в эксперименте использовалась РЕД ОС).

Для того, чтобы запустить модуль нужно выполнить следующую команду

docker run -d -v ./shared:/shared --name easyocr --restart always easyocr

Обратите внимание, что мы расшариваем директорию на хосте для контейнера (shared) в эту директорию мы положим наш скрипт, который писали в первом разделе этой статьи и тестовое изображение, которое нужно распарсить

Таким образом нам не потребуется пересобирать образ каждый раз - когда мы меняем логику работы скрипта или хотим распарсить другое изображение

Другими словами - контекйнер который мы запустили просто является подготовленным окружением для выполнения скрипта

Для того, чтобы использовать OCR в закрытом контуре на хосте нужно выполнить следующую команду

docker exec easyocr bash -c "python /shared/parser.py"

Заключение

Спасибо, что дочитали статью до конца, надеюсь эта информация поможет вам сэкономить время, опытные читатели Хабра в курсе, что easyocr может использовать CUDA ядра для распознавания текста из картинок, если вам интересна тема контейнеризации easyocr с использованием GPU - я могу написать отдельную статью про то как все это подружить и запаковать в образ, желаю вам хорошего дня, карьерных и творческих успехов, до встречи!