Я изучаю платформу Palantir Foundry, и, похоже, у нее есть масса вариантов для прямоугольных или структурированных данных. У кого-нибудь есть опыт работы с неструктурированными большими данными на платформе Foundry? Как мы можем использовать Foundry для анализа изображений?
Можем ли мы выполнять обработку изображений с помощью Palantir Foundry?
Ответы (4)
Хотя большинство примеров дается с использованием табличных данных, на самом деле во многих случаях используется литейный цех для обработки как неструктурированных, так и полуструктурированных данных. Вы должны думать о наборе данных как о контейнере файлов с API для доступа и обработки файлов. используя API уровня файлов, вы можете получить доступ к файлам в наборе данных и обрабатывать их по своему усмотрению. Если эти файлы являются изображениями, вы можете извлечь информацию из файла и использовать ее по своему усмотрению. общий вариант использования — иметь PDF-файлы в виде файлов в наборе данных и извлекать информацию из PDF-файла и сохранять ее в виде табличной информации, чтобы вы могли выполнять как структурированный, так и неструктурированный поиск по ней.
вот пример доступа к файлу для извлечения PDF:
import com.palantir.transforms.lang.java.api.Compute;
import com.palantir.transforms.lang.java.api.FoundryInput;
import com.palantir.transforms.lang.java.api.FoundryOutput;
import com.palantir.transforms.lang.java.api.Input;
import com.palantir.transforms.lang.java.api.Output;
import com.palantir.util.syntacticpath.Paths;
import com.google.common.collect.AbstractIterator;
import com.palantir.spark.binarystream.data.PortableFile;
import java.io.IOException;
import java.io.InputStream;
import java.util.Iterator;
import java.util.UUID;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Encoders;
import org.apache.spark.sql.Row;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public final class ExtractPDFText {
private static String pdf_source_files_rid = "SOME RID";
private static String dataProxyPath = "/foundry-data-proxy/api/dataproxy/datasets/";
private static String datasetViewPath = "/views/master/";
@Compute
public void compute(
@Input("/Base/project_name/treasury_pdf_docs") FoundryInput pdfFiles,
@Output("/Base/project_name/clean/pdf_text_extracted") FoundryOutput output) throws IOException {
Dataset<PortableFile> filesDataset = pdfFiles.asFiles().getFileSystem().filesAsDataset();
Dataset<String> mappedDataset = filesDataset.flatMap((FlatMapFunction<PortableFile, String>) portableFile ->
portableFile.convertToIterator(inputStream -> {
String pdfFileName = portableFile.getLogicalPath().getFileName().toString();
return new PDFIterator(inputStream, pdfFileName);
}), Encoders.STRING());
Dataset<Row> dataset = filesDataset
.sparkSession()
.read()
.option("inferSchema", "false")
.json(mappedDataset);
output.getDataFrameWriter(dataset).write();
}
private static final class PDFIterator extends AbstractIterator<String> {
private InputStream inputStream;
private String pdfFileName;
private boolean done;
PDFIterator(InputStream inputStream, String pdfFileName) throws IOException {
this.inputStream = inputStream;
this.pdfFileName = pdfFileName;
this.done = false;
}
@Override
protected String computeNext() {
if (done) {
return endOfData();
}
try {
String objectId = pdfFileName;
String appUrl = dataProxyPath.concat(pdf_source_files_rid).concat(datasetViewPath).concat(pdfFileName);
PDDocument document = PDDocument.load(inputStream);
PDFTextStripper pdfStripper = new PDFTextStripper();
String text = pdfStripper.getText(document);
String strippedText = text.replace("\"", "'").replace("\\", "").replace("“", "'").replace("”", "'").replace("\n", "").replace("\r", "");
done = true;
return "{\"id\": \"" + String.valueOf(UUID.randomUUID()) + "\", \"file_name\": \"" + pdfFileName + "\", \"app_url\": \"" + appUrl + "\", \"object_id\": \"" + objectId + "\", \"text\": \"" + strippedText + "\"}\n";
} catch (IOException e) {
throw new RuntimeException(e);
}
}
}
}
Действительно, вы можете выполнять анализ изображений в Foundry, поскольку у вас есть доступ к файлам и вы можете использовать произвольные библиотеки (например, Pillow или Skimage для Python). Это можно сделать в масштабе, а также можно распараллелить.
Простой фрагмент Python для объединения двух изображений должен помочь вам начать работу:
from transforms.api import transform, Input, Output
from PIL import Image
@transform(
output=Output("/processed/stitched_images"),
raw=Input("/raw/images"),
image_meta=Input("/processed/image_meta")
)
def my_compute_function(raw, image_meta, output, ctx):
image_meta = image_meta.dataframe()
def stitch_images(clone):
left = clone["left_file_name"]
right = clone["right_file_name"]
image_name = clone["image_name"]
with raw.filesystem().open(left, mode="rb") as left_file:
with raw.filesystem().open(right, mode="rb") as right_file:
with output.filesystem().open(image_name, 'wb') as out_file:
left_image = Image.open(left_file)
right_image = Image.open(right_file)
(width, height) = left_image.size
result_width = width * 2
result_height = height
result = Image.new('RGB', (result_width, result_height))
result.paste(im=left_image, box=(0, 0))
result.paste(im=right_image, box=(height, 0))
result.save(out_file, format='jpeg', quality=90)
image_meta.rdd.foreach(stitch_images)
Набор данных image_meta — это просто набор данных с двумя именами файлов в строке. Чтобы извлечь имена файлов из набора данных необработанных файлов, вы можете использовать что-то вроде:
@transform(
output=Output("/processed/image_meta"),
raw=Input("/raw/images"),
)
def my_compute_function(raw, output, ctx):
file_names = [(file_status.path, 1) for file_status in raw.filesystem().ls(glob="*.jpg")]
# create and write spark dataframe based on array
Как уже упоминалось, Palantir-Foundry фокусируется на табличных данных и в настоящее время не предоставляет доступ к графическому процессору или другому блоку тензорной обработки. Таким образом, делать что-либо интенсивное, например преобразование БПФ или глубокое обучение, в лучшем случае не рекомендуется, а в худшем — совершенно невозможно.
При этом вы можете загружать файлы изображений в узлы набора данных для доступа на чтение/запись. Вы также можете сохранить их двоичную информацию как тип BLOB-объекта в Dataframe, чтобы хранить файлы в заданном поле записи. Учитывая, что на платформе доступно множество библиотек для обработки изображений Python и матричных математических библиотек, а также учитывая, что пакеты библиотек также можно загружать на платформу вручную через приложение Code Repo, вполне возможно, что кто-то может использовать простые манипуляции. в несколько больших масштабах, если он не был слишком сложным или требовательным к памяти.
Обратите внимание, что Foundry, похоже, в настоящее время не поддерживает GPU, поэтому, если вы думаете об обработке изображений на основе глубокого обучения, это будет довольно медленно на процессорах.