如何解决AWS Glue中使用Amazon-Textract-Textractor的Poppler缺失问题

方案一：直接让Textract处理PDF（推荐，无需额外安装依赖） #

AWS Textract原生支持直接分析PDF文档，无需先将PDF转为图片，修改代码跳过图片转换步骤即可绕开Poppler依赖：

from textractor import Textractor
from textractor.data.constants import TextractFeatures

# 直接传入PDF文件路径，无需转成Image对象
extractor = Textractor(region_name="us-east-1")
document = extractor.analyze_document(
    file_source="your_document.pdf",  # 替换为目标PDF文件路径
    features=[TextractFeatures.TABLES],
    save_image=False  # 无需保存图片，直接处理PDF
)

该方式直接调用Textract的PDF分析接口，完全避免对pdf2image和Poppler的依赖。

方案二：在AWS Glue环境中安装Poppler #

若必须保留图片转换逻辑，可通过以下两种方式在Glue环境中安装Poppler：

• 使用自定义Glue层：
  1. 在Amazon Linux 2环境下下载编译好的Poppler二进制文件，整理好bin、lib等目录结构
  2. 将目录打包为zip文件，在AWS控制台创建Glue自定义层并上传该zip包
  3. 在目标Glue作业中关联此层，确保Poppler的bin目录被加入系统PATH
• 在作业脚本开头执行安装命令：
  针对Glue 2.0及以上版本，可在脚本开头添加以下代码，通过apt-get安装Poppler（注意：每次作业启动都会执行安装，会增加启动耗时）：

import subprocess
subprocess.run(["apt-get", "update"], check=True)
subprocess.run(["apt-get", "install", "-y", "poppler-utils"], check=True)

内容的提问来源于stack exchange，提问作者greenking