Herokuでpytesseractを使ったOCR処理を実装する

案件でHeroku上のサーバーでOCR(画像認識)を行うためにtesseractとそれをpythonから操作できるpytesseractを実装したのですが、ちょっとハマったのでメモしておきます。

Contents

実行環境
手順

実行環境

python-3.10.8
heroku-22

herokuへのログインとかプロジェクトのクローンとかデプロイとか基本的なことについて下記参照

Heroku-CLIでよく使うコマンドまとめ(保存用)

【Python】Heroku+FlaskでサーバレスWebアプリをデプロイする

手順

apt buildpack を heroku に追加

まずAptコマンドを有効化するために以下のコマンドを実行します。

$ heroku buildpacks:add --index 1 https://github.com/heroku/heroku-buildpack-apt

実行した後にAptfileアプリと同じディレクトリに名前の付いたファイルを作成し、これらの行をそれに追加します（日本語/英語の場合）

tesseract-ocr
tesseract-ocr-eng
*libarchive13*

特に重要なのが「*libarchive13*」でこれがないと以下のようなエラーになります

<エラーメッセージ>

pytesseract.pytesseract.TesseractError: (127, ‘tesseract: error while loading shared libraries: libarchive.so.13: cannot open shared object file: No such

pytesseract.pytesseract.TesseractError: (127, ‘tesseract: error while loading shared libraries: libarchive.so.13: cannot open shared object file: No such file or directory’

tesseract-ocrのインストールされている場所を確認する

次にheroku configで変数TESSDATA_PREFIXをtessdataフォルダーのパスに設定します（自分の環境だと./.apt/usr/share/tesseract-ocr/4.00/tessdataでした）。

このパスはheroku loginを実行してコマンドラインからそのプロジェクトにheroku loginでログインした状態で、heroku run bashして実行し、シェルで以下のコマンドを実行することで確認できます

# herokuにログインする
heroku login

# heroku上のPCのコマンドラインにアクセスする
$ heroku run bash 

# tessdataのPATHを調べる
$ find -iname tessdata

<実行結果>
# ./.apt/usr/share/tesseract-ocr/4.00/tessdata

ここで確認したPATHを以下のコマンドで環境変数に設定します。

heroku config:set TESSDATA_PREFIX=./.apt/usr/share/tesseract-ocr/4.00/tessdata

これが正しく実行されているとブラウザからHEROKUにアクセスしプロジェクトの個別ページの「Settings」に以下のような変数が追加されています

この状態でherokuを再度でデプロイすると設定が反映されます。

そのほかの設定

requirements.txtに pytesseract があることを確認してください

自分の環境では以下のバージョンで動作することを確認しております。

<requirements.txt>

Flask==2.1.0
pytesseract==0.3.6

~~~~

でもう一つ重要なのがpyファイル上で「pytesseract.pytesseract.tesseract_cmd=」の部分に別改めてPATHを指定する必要があります。ただここで指定するのはさっきとは違うPATHで自分の場合は「/app/.apt/usr/bin/tesseract」を指定することで動作しました

<main.py>

~~~~
pytesseract.pytesseract.tesseract_cmd = '/app/.apt/usr/bin/tesseract'
image = Image.open(f'xxxxx.jpg')
t = pytesseract.image_to_string(image)
~~~~

ちなみにここの「pytesseract.pytesseract.tesseract_cmd =」の部分で上で確認したPATHを指定すると自分は以下のようなエラーになりました

:[Errno 13] Permission denied: ‘/app/.apt/usr/share/tesseract-ocr/4.00/tessdata’ heroku

参照：https://stackoverflow.com/questions/74455213/unable-to-config-pytesseract-in-heroku

もしHerokuでのデプロイなどでご相談がある場合はMENTAにてご連絡いただけますと幸いです。