如何使用furrr::future_map并行运行tesseract::ocr？

问题背景 #

使用furrr::future_map并行调用tesseract::ocr时触发错误：

Detected a non-exportable reference (‘externalptr’ of class ‘tesseract’)
该错误源于tesseract引擎的外部指针（externalptr）无法被future框架序列化并传递给子进程，但相同逻辑用parallel包可以正常运行。

核心原因 #

tesseract("eng")创建的OCR引擎是外部指针对象，这类对象无法跨进程序列化传递。parallel::parLapply通过clusterEvalQ在每个子进程单独加载tesseract并初始化引擎，避免了跨进程传递指针；而furrr默认会扫描全局环境中的依赖，尝试将tesseract相关的外部指针传递给子进程，因此触发错误。

解决方案 #

方案1：在并行任务内部初始化tesseract引擎（推荐） #

修改OCR函数，让每个并行任务单独创建tesseract引擎，避免跨进程传递外部指针：

library(tesseract)
library(furrr)
library(tidyverse)

# 测试链接
links <- rep("http://jeroen.github.io/images/testocr.png", 10)

# 修改后的OCR处理函数
f.ocr_save <- function(url){
  out <- tryCatch(
    {
      # 每个任务内部独立初始化引擎
      eng <- tesseract("eng")
      out <- tesseract::ocr(url, engine = eng)
    },
    error=function(cond) {
      message(paste("URL处理出错:"))
      message(cond)
      return("URL处理错误")
    },
    warning=function(cond) {
      message(paste("URL处理有警告:"))
      message(cond)
      return(NULL)
    }
  )
  return(out)
}

# 设置并行策略（multisession适合Windows/macOS）
plan(multisession, workers = 2)

# 正常执行并行OCR
future_map(links, f.ocr_save)

方案2：禁用全局变量检查（应急用，不推荐） #

通过furrr_options禁用全局变量自动传递，强制子进程自行处理依赖，但需确保子进程能加载所需库：

plan(multisession, workers = 2)

# 禁用全局变量检查，需确保子进程已加载tesseract
future_map(links, f.ocr_save, .options = furrr_options(globals = FALSE))

此方法可能引发其他依赖问题，仅作为临时应急方案。

验证效果 #

修改后的代码可以像parallel包一样正常返回OCR结果，且不会触发外部指针序列化错误。

内容的提问来源于stack exchange，提问作者ava