部署Python Streamlit唇读应用至streamlit.io时遇FileNotFoundError

问题现象 #

部署到streamlit.io平台时触发以下错误：

File “/home/appuser/venv/lib/python3.8/site-packages/streamlit/runtime/scriptrunner/script_runner.py”, line 565, in _run_script exec(code, module.dict) File “/app/lipreading/app/streamlitapp.py”, line 20, in options = os.listdir(os.path.join(‘…’, ‘data’, ‘s1’))

本地运行正常，但部署后无法读取指定目录文件，核心问题出在路径解析和文件上传环节。

解决方案 #

1. 修复相对路径，使用绝对路径定位文件 #

本地环境的工作目录与streamlit.io的部署环境存在差异，相对路径../data/s1在部署环境中无法正确解析。修改为基于脚本文件位置构建绝对路径：

import streamlit as st
import os
# ... 其他导入保持不变

# 新增：获取项目根目录绝对路径
BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))

# Set the layout to the Streamlit app as wide
st.set_page_config(layout='wide')

# ... 侧边栏代码保持不变

# 修改路径生成逻辑
options = os.listdir(os.path.join(BASE_DIR, 'data', 's1'))
selected_video = st.selectbox('Choose video', options)

# ... 后续file_path也同步修改
file_path = os.path.join(BASE_DIR, 'data', 's1', selected_video)

2. 确保data目录完整上传至GitHub #

streamlit.io从GitHub仓库拉取代码，若data/s1中的视频文件未被上传（比如因文件过大被.gitignore排除），会导致部署后目录为空。解决方式：

• 检查仓库根目录的.gitignore文件，确保未排除data/目录或.mpg文件
• 由于视频文件体积较大，使用Git LFS管理大文件：
  1. 安装Git LFS
  2. 在仓库中执行git lfs track "*.mpg"
  3. 提交.gitattributes文件和视频文件到仓库

3. 验证部署环境的路径（可选调试步骤） #

在代码中加入路径调试代码，确认部署环境的实际工作目录和文件位置：

# 在路径相关代码前添加
st.write("当前工作目录:", os.getcwd())
st.write("项目根目录:", BASE_DIR)
st.write("目标目录路径:", os.path.join(BASE_DIR, 'data', 's1'))

部署后查看Streamlit应用中的输出，确认路径是否正确。

4. 优化临时文件存储路径 #

代码中生成的test_video.mp4和animation.gif默认存在当前工作目录，部署环境可能存在权限问题，建议使用Streamlit的临时目录：

# 替换输出路径
import tempfile

# 生成临时文件路径
with tempfile.NamedTemporaryFile(suffix='.mp4', delete=False) as tmp:
    output_path = tmp.name

# 后续视频处理使用output_path
video_clip = VideoFileClip(file_path)
video_clip.write_videofile(output_path, codec='libx264')

修改后的核心代码片段 #

import streamlit as st
import os
import tempfile
from moviepy.editor import VideoFileClip
import imageio
import tensorflow as tf
from utils import load_data, num_to_char
from modelutil import load_model

# 获取项目根目录
BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))

st.set_page_config(layout='wide')

# 侧边栏代码保持不变

st.markdown("<h1 style='text-align: center; color: white;'>LipNet</h1>", unsafe_allow_html=True)

# 生成视频选项列表
options = os.listdir(os.path.join(BASE_DIR, 'data', 's1'))
selected_video = st.selectbox('Choose video', options)

col1, col2 = st.columns(2)

if options:
    with col1:
        st.info('The video below displays the converted video in mp4 format')
        file_path = os.path.join(BASE_DIR, 'data', 's1', selected_video)
        
        # 使用临时文件存储转换后的视频
        with tempfile.NamedTemporaryFile(suffix='.mp4', delete=False) as tmp:
            output_path = tmp.name
        
        video_clip = VideoFileClip(file_path)
        video_clip.write_videofile(output_path, codec='libx264')
        
        video = open(output_path, 'rb')
        video_bytes = video.read()
        st.video(video_bytes)
        
        # 清理临时文件
        os.unlink(output_path)

    with col2:
        st.info('This is all the machine learning model sees when making a prediction')
        video, annotations = load_data(tf.convert_to_tensor(file_path))
        
        # 使用临时文件存储GIF
        with tempfile.NamedTemporaryFile(suffix='.gif', delete=False) as tmp:
            gif_path = tmp.name
        
        imageio.mimsave(gif_path, video, fps=10)
        st.image(gif_path, width=400)
        
        # 清理临时文件
        os.unlink(gif_path)
        
        # 后续模型预测代码保持不变
        st.info('This is the output of the machine learning model as tokens')
        model = load_model()
        yhat = model.predict(tf.expand_dims(video, axis=0))
        decoder = tf.keras.backend.ctc_decode(yhat, [75], greedy=True)[0][0].numpy()
        st.text(decoder)

        st.info('Decode the raw tokens into words')
        converted_prediction = tf.strings.reduce_join(num_to_char(decoder)).numpy().decode('utf-8')
        st.text(converted_prediction)

内容的提问来源于stack exchange，提问作者Amith A G