有没有办法在 PySpark 中进行 OCR 图像处理？答案

【问题标题】：Is there a way to OCR images in PySpark?有没有办法在 PySpark 中进行 OCR 图像处理？
【发布时间】：2022-03-04 09:00:31
【问题描述】：

我在 PySpark 中找不到 OCRing 图像的开源解决方案。我知道存在 pytesseract 之类的解决方案，但不确定它们是否能很好地与 PySpark 配合使用，因为 tesseract-ocr 需要安装在 linux 机器上。是否有任何开源 OCR 解决方案可以很好地与 PySpark 配合使用？

【问题讨论】：

PySpark 不会取代 Linux，并且仍然能够运行每个执行器的“本地安装”模块
从这里开始spark.apache.org/docs/latest/api/python/user_guide/…

标签： apache-spark pyspark ocr python-tesseract

【解决方案1】：

我找不到纯 python 库。 pytesseract 调用一个名为 tesseract-ocr 的 linux 库，我可以将其安装在 Spark 集群上。你也可以很容易地把它安装在你的 Spark 集群上，它运行良好。

这是关于如何在 Databricks 上安装它的答案。我使用全局初始化脚本来安装它：

How to install Tesseract OCR on Databricks

【讨论】：