PHP调用Google Cloud Vision API DOCUMENT_TEXT_DETECTION内存溢出问题

我之前处理多页文档时也踩过这个坑——DOCUMENT_TEXT_DETECTION默认返回的字符级（symbols）细节实在太冗余了，4页文档100MB+的响应数据很容易把PHP的内存限制撑爆。要把数据量压缩到原来的1/5左右，核心思路就是丢弃符号级的冗余数据，只保留单词（words）层级的信息，下面是具体的实现方案：

方案1：在客户端过滤响应数据（推荐） #

Google Cloud Vision的响应是结构化的：pages -> blocks -> paragraphs -> words -> symbols，其中symbols是每个字符/符号的详细数据，这正是内存占用的大头。我们可以在拿到响应后，只提取words层级的内容，丢弃symbols。

PHP代码示例 #

假设你已经初始化了VisionClient，可以这样处理：

use Google\Cloud\Vision\V1\ImageAnnotatorClient;

// 初始化客户端（已省略认证/加载细节）
$imageAnnotator = new ImageAnnotatorClient();

// 加载目标文档（本地文件或GCS路径都可以）
$documentContent = file_get_contents('your-4page-document.pdf');

// 调用文档文本检测接口
$response = $imageAnnotator->documentTextDetection($documentContent);
$pages = $response->getFullTextAnnotation()->getPages();

// 存储过滤后的单词数据
$filteredWordData = [];

foreach ($pages as $page) {
    // 逐层遍历，只提取words的核心信息
    foreach ($page->getBlocks() as $block) {
        foreach ($block->getParagraphs() as $paragraph) {
            foreach ($paragraph->getWords() as $word) {
                $filteredWordData[] = [
                    'text' => $word->getText(), // 单词文本
                    'confidence' => $word->getConfidence(), // 置信度（可选，不需要可以删掉）
                    // 顶点坐标（可选，不需要就移除这部分）
                    'bounding_box' => array_map(function($vertex) {
                        return ['x' => $vertex->getX(), 'y' => $vertex->getY()];
                    }, $word->getBoundingBox()->getVertices())
                ];
            }
        }
    }
}

// 关闭客户端，释放资源
$imageAnnotator->close();

// 现在$filteredWordData就是精简后的单词数据集
// var_dump($filteredWordData);

这样处理后，每个单词只保留你需要的核心信息，数据量会直接降到原来的1/5左右，完全能避开PHP的内存限制。如果连blocks/paragraphs的层级都不需要，还可以直接把所有words扁平化存储，进一步减少内存占用。

方案2：分批次处理文档（极端情况备用） #

如果文档页数特别多，或者PHP内存限制调不高，可以考虑拆分文档为单页，逐页处理，处理完一页就释放对应内存，避免一次性加载全部响应数据。

伪代码示例（需要PDF拆分工具支持） #

// 先把多页PDF拆成单页文件（可以用FPDF/FPDI、Ghostscript等工具实现）
$singlePagePaths = splitMultiPagePdf('your-4page-document.pdf');

foreach ($singlePagePaths as $pagePath) {
    $pageContent = file_get_contents($pagePath);
    $response = $imageAnnotator->documentTextDetection($pageContent);
    $page = $response->getFullTextAnnotation()->getPages()[0];

    // 提取当前页的单词数据
    $pageWords = [];
    foreach ($page->getBlocks() as $block) {
        foreach ($block->getParagraphs() as $paragraph) {
            foreach ($paragraph->getWords() as $word) {
                $pageWords[] = ['text' => $word->getText()];
            }
        }
    }

    // 合并到总数据集
    $filteredWordData = array_merge($filteredWordData, $pageWords);

    // 清理临时文件和变量，触发垃圾回收
    unlink($pagePath);
    unset($response, $page, $pageWords);
    gc_collect_cycles();
}

这种方式能把单次内存占用控制在单页文档的范围内，彻底避免内存溢出问题。

额外小贴士 #

• 如果不需要置信度、坐标这些元数据，只保留text字段的话，数据量还能进一步压缩。
• 可以适当调整PHP的内存限制（比如ini_set('memory_limit', '256M')），但这只是临时方案，从响应数据本身精简才是根本解决办法。

内容的提问来源于stack exchange，提问作者Dino