批处理作业提交错误“无法处理所有文档”，uris 似乎正确？

Question

我一直在尝试让 Document AI 批量提交正常工作，但遇到了一些困难。我使用 RawDocument 进行单个文件提交，假设我可以迭代我的数据集（27k 图像），但选择批处理，因为它似乎是更合适的技术。

当我运行代码时，我看到错误：“无法处理所有文档”。调试信息的前几行是：

O:17:"Google\Rpc\Status":5:{ s:7:"*代码";i:3;s:10:"*消息";s:32:"无法处理所有文档。"; s:26:"Google\Rpc\Statusdetails"; O:38:"Google\Protobuf\Internal\RepeatedField":4:{ s:49:"Google\Protobuf\Internal\RepeatedFieldcontainer";a:0:{}s:44:"Google\Protobuf\Internal\RepeatedFieldtype";i:11;s:45:"Google\Protobuf\Internal\RepeatedFieldklass ";s:19:"Google\Protobuf\Any";s:52:"Google\Protobuf\Internal\RepeatedFieldlegacy_klass";s:19:"Google\Protobuf\Any";}s:38:"Google\Protobuf\ Internal\Messagedesc";O:35:"Google\Protobuf\Internal\Descriptor":13:{s:46:"Google\Protobuf\Internal\Descriptorfull_name";s:17:"google.rpc.Status";s: 42:"Google\Protobuf\Internal\Descriptorfield";a:3:{i:1;O:40:"Google\Protobuf\Internal\FieldDescriptor":14:{s:46:"Google\Protobuf\Internal\FieldDescriptorname ";s:4:"代码";```

对此错误的支持指出错误的原因是：

gcsUriPrefix 和 gcsOutputConfig.gcsUri 参数需要以 gs:// 开头并以反斜杠字符 (/) 结尾。检查存储桶 URI 的配置。

我没有使用 gcsUriPrefix（应该吗？我的存储桶 > 最大批次限制），但我的 gcsOutputConfig.gcsUri 在这些限制之内。我提供的文件列表给出了文件名（指向右侧存储桶），因此不应有尾部反斜杠。

欢迎咨询

function filesFromBucket( $directoryPrefix ) {
        // NOT recursive, does not search the structure
        $gcsDocumentList = [];
    
        // see https://cloud.google.com/storage/docs/samples/storage-list-files-with-prefix
        $bucketName = 'my-input-bucket';
        $storage = new StorageClient();
        $bucket = $storage->bucket($bucketName);
        $options = ['prefix' => $directoryPrefix];
        foreach ($bucket->objects($options) as $object) {
            $doc = new GcsDocument();
            $doc->setGcsUri('gs://'.$object->name());
            $doc->setMimeType($object->info()['contentType']);
            array_push( $gcsDocumentList, $doc );
        }
    
        $gcsDocuments = new GcsDocuments();
        $gcsDocuments->setDocuments($gcsDocumentList);
        return $gcsDocuments;
    }
    
    function batchJob ( ) {
        $inputConfig = new BatchDocumentsInputConfig( ['gcs_documents'=>filesFromBucket('the-bucket-path/')] );
    
        // see https://cloud.google.com/php/docs/reference/cloud-document-ai/latest/V1.DocumentOutputConfig
        // nb: all uri paths must end with / or an error will be generated.
        $outputConfig = new DocumentOutputConfig( 
            [ 'gcs_output_config' =>
                   new GcsOutputConfig( ['gcs_uri'=>'gs://my-output-bucket/'] ) ]
        );
     
        // see https://cloud.google.com/php/docs/reference/cloud-document-ai/latest/V1.DocumentProcessorServiceClient
        $documentProcessorServiceClient = new DocumentProcessorServiceClient();
        try {
            // derived from the prediction endpoint
            $name = 'projects/######/locations/us/processors/#######';
            $operationResponse = $documentProcessorServiceClient->batchProcessDocuments($name, ['inputDocuments'=>$inputConfig, 'documentOutputConfig'=>$outputConfig]);
            $operationResponse->pollUntilComplete();
            if ($operationResponse->operationSucceeded()) {
                $result = $operationResponse->getResult();
                printf('<br>result: %s<br>',serialize($result));
            // doSomethingWith($result)
            } else {
                $error = $operationResponse->getError();
                printf('<br>error: %s<br>', serialize($error));
                // handleError($error)
            }
        } finally {
            $documentProcessorServiceClient->close();
        }    
    }

Answer 1

通常，错误“无法处理所有文档”的原因是输入文件或输出存储桶的语法不正确。由于格式不正确的路径可能仍然是云存储的“有效”路径，但不是您期望的文件。 （感谢您首先检查错误消息页面！）

如果您要提供要处理的特定文档列表，则不必使用 gcsUriPrefix。尽管根据您的代码，您似乎还是将 GCS 目录中的所有文件添加到 BatchDocumentsInputConfig.gcs_documents 字段，因此尝试在 中发送前缀是有意义的>BatchDocumentsInputConfig.gcs_uri_prefix 而不是单个文件的列表。

注意：单个批处理请求中可以发送的文件最大数量（1000），并且特定处理器有自己的页面限制。

https://cloud.google.com/document-ai/quotas#content_limits

您可以尝试将文件分成多个批处理请求，以避免达到此限制。 Document AI Toolbox Python SDK 具有用于此目的的内置函数，但您可以尝试根据自己的用例在 PHP 中重新实现此函数。 https:// github.com/googleapis/python-documentai-toolbox/blob/ba354d8af85cbea0ad0cd2501e041f21e9e5d765/google/cloud/documentai_toolbox/utilities/gcs_utilities.py#L213

Answer 2

这被证明是一个 ID-10-T 错误，具有明确的 PEBKAC 泛音。

$object->name() 不会将存储桶名称作为路径的一部分返回。

将 $doc->setGcsUri('gs://'.$object->name()); 更改为 $doc->setGcsUri('gs://'. $bucketName.'/'.$object->name()); 解决了该问题。