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(); } }
P粉1037395662024-04-01 09:46:00
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
P粉1954022922024-04-01 00:22:20
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。