CN111679811B - Web服务构建方法及装置 - Google Patents

Abstract

本申请提供了一种Web服务构建方法及装置，其中，该方法包括：接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；根据所述目标节点信息获取当前的目标节点；基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。本申请能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性。

Description

Web服务构建方法及装置

技术领域

本申请涉及Web服务技术领域，尤其涉及一种Web服务构建方法及装置。

背景技术

Web服务是一种平***立的，低耦合的，自包含的且基于可编程的Web的应用程序；在训练完成后，深度学习模型不能直接对外提供服务，需要通过Web服务技术将其封装，同时添加相关的业务逻辑处理后，才能为调用方提供相关的深度学习服务。

从模型构建到对外提供服务需要进行一次Web服务封装，一个Web服务可以串联多个已经训练完成的深度学习模型，同时能够加入业务逻辑操作或是其他特殊的预处理操作信息。在目前技术中，针对不同场景，需要定制化开发Web服务代码，会导致每个场景都对应一套独立的Web服务代码，不易于维护。同时Web服务对接相同模型时的对接代码基本相同，会导致对接代码的重复开发。

发明内容

针对现有技术中的问题，本申请提出了一种Web服务构建方法及装置，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性。

第一方面，本申请提供一种Web服务构建方法，包括：

接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；

根据所述目标节点信息获取当前的目标节点；

基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

进一步地，各个所述目标节点分别设置有不同的代码组信息；相对应的，所述基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，包括：根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

进一步地，若所述业务包括：图像识别业务，则在所述构建用于处理当前业务的目标Web服务之后，还包括：应用所述目标Web服务中的各个所述目标节点以及各个目标节点之间的连接关系信息执行针对当前的图像识别业务的处理过程；其中，所述针对当前的图像识别业务的处理过程包括：接收待识别图像，并基于预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型；基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像；应用预设的图像文本识别模型对所述待识别区域图像进行图像文本识别，该图像文本识别模型为预先训练得到的用于识别图像文本的深度学习模型。

进一步地，所述图像定位模型为基于Deeptext算法的深度学习模型。

进一步地，所述图像文本识别模型为卷积循环神经网络模型。

第二方面，本申请提供一种Web服务构建装置，包括：

接收模块，用于接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；

获取目标节点模块，用于根据所述目标节点信息获取当前的目标节点；

构建模块，用于基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

进一步地，各个所述目标节点分别设置有不同的代码组信息；相对应的，所述构建模块包括：构建单元，用于根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

进一步地，若所述业务包括：图像识别业务，则Web服务构建装置还包括：业务处理模块，用于应用所述目标Web服务中的各个所述目标节点以及各个目标节点之间的连接关系信息执行针对当前的图像识别业务的处理过程；其中，所述针对当前的图像识别业务的处理过程包括：接收待识别图像，并基于预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型；基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像；应用预设的图像文本识别模型对所述待识别区域图像进行图像文本识别，该图像文本识别模型为预先训练得到的用于识别图像文本的深度学习模型。

进一步地，所述图像定位模型为基于Deeptext算法的深度学习模型。

进一步地，所述图像文本识别模型为卷积循环神经网络模型。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的Web服务构建方法。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述的Web服务构建方法。

由上述技术方案可知，本申请提供一种Web服务构建方法及装置。其中，该方法包括：接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；根据所述目标节点信息获取当前的目标节点；基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性；能够避免重复开发造成的准确性和效率问题，降低维护Web服务和构建Web服务的成本。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例中Web服务构建方法的流程示意图；

图2是本申请另一实施例中Web服务构建方法的流程示意图；

图3是本申请实施例中Web服务构建装置的结构示意图；

图4是本申请另一实施例中Web服务构建装置的结构示意图；

图5是本申请具体应用实例中Web服务构建方法的流程示意图；

图6是本申请具体应用实例中Web服务中不同节点的详细信息以及节点之间的逻辑顺序的示意图；

图7是本申请具体应用实例中上传自定义算法的页面示意图；

图8是本申请具体应用实例中构建Web服务的页面示意图；

图9是本申请具体应用实例中修改或更新已发布的Web服务的页面示意图；

图10是本申请具体应用实例中容器控制过程的流程示意图；

图11是本申请另一具体应用实例中构建Web服务方法的流程示意图；

图12为本申请实施例的电子设备9600的***构成示意框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术中，每个场景对应一套独立的Web服务代码，以及Web服务对接相同模型时的对接代码基本相同等情况，本申请考虑从改变现有的Web服务构建方式出发，提供一种可以通过前端页面拖拽的方式定制场景业务流程，并自动构建Web服务的技术方案。将对接不同模型的代码或是通用预处理代码分别抽象化为不同的节点，同时给节点添加相关可修改的参数，通过拖拽前端节点图标的方式，确立节点之间的连接关系的方式，建立整个Web服务调用模型的流程；因此，在新的业务场景下，只需要定制新的业务流程，无需编写代码就可以自动构建定制化的Web服务。从而解决因代码重复开发导致的Web服务构建的准确性差和效率低的问题，以及Web服务构建和维护成本高的问题。

基于此，为了提高构建Web服务的效率、灵活性及准确性，进而提高应用Web服务处理相关业务过程的准确性，本申请实施例提供一种Web服务构建装置，该装置可以是一服务器或客户端设备，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。

在实际应用中，进行Web服务构建的部分可以在如上述内容所述的服务器侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

具体通过下述各个实施例进行说明。

如图1所示，为了提高构建Web服务的效率、灵活性及准确性，进而提高应用Web服务处理相关业务过程的准确性，本实施例提供一种执行主体是Web服务构建装置的Web服务构建方法，具体包含有如下内容：

步骤100：接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息。

具体地，可以接收基于前端页面的点击事件的Web服务构建请求。所述目标节点信息可以是节点的标识信息，用于区分不同节点。

步骤200：根据所述目标节点信息获取当前的目标节点。

具体地，可以根据所述目标节点信息可以从预存储的节点组件库中下载所述目标节点，该节点组件库中包含有各个可选节点，该节点组件库可存储在本地或一个独立服务器中。

步骤300：基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

具体地，所述目标Web服务可以是一套完整的Web服务代码，可以设置在一独立的Web服务器中，也可以设置在所述Web服务构建装置中。

为了获取准确的代码组信息，进而提高构建Web服务的效率、灵活性及准确性，在本申请一个实施例中，各个所述目标节点分别设置有不同的代码组信息；相对应的，步骤300包含有：

步骤301：根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

具体地，所述代码组信息可以是深度学习模型对应的一组代码信息，也可以是业务逻辑操作或是其他特殊的预处理操作对应的一组代码信息。

为了提高应用Web服务处理相关业务过程的准确性，特别是提高处理图像识别业务的准确性，参见图2，在本申请一个实施例中，若所述业务包含有：图像识别业务，则在步骤300之后还包含有：

步骤400：应用所述目标Web服务中的各个所述目标节点以及各个目标节点之间的连接关系信息执行针对当前的图像识别业务的处理过程。

其中，步骤400中所述针对当前的图像识别业务的处理过程包含有：

步骤401：接收待识别图像，并基于预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型。

步骤402：基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像。

具体地，所述待识别区域信息可以是待识别图像中的待识别区域的坐标信息。为了进一步提高得到待识别区域图像的准确性，还可以按照预设的裁切规则对所述待识别区域图像进行填充和/或缩放处理，其中，所述预设的裁切规则可根据实际情况进行设置。

步骤403：应用预设的图像文本识别模型对所述待识别区域图像进行图像文本识别，该图像文本识别模型为预先训练得到的用于识别图像文本的深度学习模型。

其中，所述图像定位模型可以为基于Deeptext算法的深度学习模型；所述图像文本识别模型可以为卷积循环神经网络crnn模型。

具体地，Deeptext能够按照接近人类的思维处理文本信息，处理的速度高达每秒钟上千篇文章，支持的语言高达20多种，能够利用多个深度神经网络架构，包含有卷积和复发性神经网络，在单词和字母级别进行学习。

在一种举例中，所述目标Web服务中包含有数据接收节点、图像定位节点、裁切节点和图像文本识别节点；应用所述数据接收节点接收待识别图像，应用与所述数据接收节点连接的图像定位节点中预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型；应用与所述图像定位节点连接的裁切节点并基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像；应用与所述裁切节点连接的图像文本识别节点中预设的图像文本识别模型对所述待识别区域图像进行图像文本识别，该图像文本识别模型为预先训练得到的用于识别图像文本的深度学习模型。

从软件层面来说，为了提高构建Web服务的效率、灵活性及准确性，进而提高应用Web服务处理相关业务过程的准确性，本申请提供了一种用于实现所述Web服务构建方法中全部或部分内容的Web服务构建装置的实施例，参见图3，所述Web服务构建装置具体包含有如下内容：

接收模块10，用于接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息。

获取目标节点模块20，用于根据所述目标节点信息获取当前的目标节点。

构建模块30，用于基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

在本申请一个实施例中，各个所述目标节点分别设置有不同的代码组信息；相对应的，所述构建模块包括：

构建单元，用于根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

参见图4，在本申请一个实施例中，若所述业务包括：图像识别业务，则Web服务构建装置还包括：

业务处理模块40，用于应用所述目标Web服务中的各个所述目标节点以及各个目标节点之间的连接关系信息执行针对当前的图像识别业务的处理过程；其中，所述针对当前的图像识别业务的处理过程包括：

接收待识别图像，并基于预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型。

基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像。

应用预设的图像文本识别模型对所述待识别区域图像进行图像文本识别，该图像文本识别模型为预先训练得到的用于识别图像文本的深度学习模型。

具体地，所述图像定位模型为基于Deeptext算法的深度学习模型；所述图像文本识别模型为卷积循环神经网络模型。

为了进一步说明本方案，参见图5，本申请还提供一种Web服务构建方法的具体应用实例，包含有S11：定制服务流程，S12：定义流程中各个节点参数；S13：自动构建Web服务；S14：调用Web服务；具体流程如下：

1)首先需要定制Web服务中的每个节点，并为节点添加相关的参数信息。

2)通过节点与节点之间的连接关系，确定整个Web服务的处理流程。

3)根据整个Web服务的处理流程自动构建深度学习Web服务，构建完成后，可以通过http方式访问Web服务。

在定制化深度学习Web服务的过程中，核心的部分在于Web服务中节点的确定，节点参数的自定义以及节点之间的联系。

为了进一步说明本方案，本申请提供一种在图像识别应用场景中定制Web服务的不同节点的详细信息以及节点之间的连接关系的具体应用实例，在本具体应用实例中包含有一个用于定位的深度学习模型，一个用于识别图像文本的深度学习模型，具体描述如下：

S21：在目标Web服务中添加一个数据预处理节点，其中，该数据预处理节点设有相关的预处理过程的参数，如图像增强、图像旋转和图像二值化等基础预处理过程对应的参数。

S22：在图像经过预处理后调用深度学习定位模型，得到图像中的待识别区域；需要在目标Web服务中添加一个深度学习定位模型处理节点，该节点中设有已经训练好的深度学习定位模型，以及该深度学习定位模型采用的算法和版本。

S23：图像定位后需要自定义一个裁切图像的流程，若预设的深度学习代码库中不存在裁切该图像对应的代码，可以按照一定规范编辑并上传相关代码，并在目标Web服务中添加该代码对应的用户组定义切割图片节点，也可以定制该用户组定义切割图片节点的参数。

S24：裁切图像后调用深度学习的识别服务；需要在目标Web服务中添加一个深度学习识别模型处理节点，该深度学习识别模型处理节点设有深度学习识别算法和模型的版本号。应用该深度学习识别模型处理节点能够得到图像的光学字符识别(OCR)结果。

S25：最后需要定义结果处理节点，可自行定制深度学习识别模型输出结果的处理方式，并输出处理后的结果。

具体地，图6显示在本具体应用实例中，Web服务的不同节点的详细信息以及节点之间的逻辑顺序，其中该逻辑顺序为数据预处理节点、深度学习定位模型处理节点、用户组定义切割图片节点、深度学习识别模型处理节点以及结果处理节点依次连接。

用户在页面上的具体操作步骤如下：

S31：如图7所示，在页面右侧有预先定义的一些常见的节点组件图标，如果用户需要上传自定义的算法，可在页面左上方选择“上传自定义算法”的按钮，然后用户就可以上传本地的算法到节点组件库中，节点组件图标可拖拽使用。

S32：如图8所示，用户上传的自定义算法已显示在页面右侧的节点组件图标中并可以使用。当用户需要开始构建服务的时候，可选择页面左上方的“构建服务”按钮，然后可以通过拖拽页面右侧的节点组件图标的方式，来构建服务的整个处理流程，在用户拖拽节点组件图标的同时，需要制定组件的节点属性。不同节点属性不同，例如涉及到深度学习模型的节点就必须选择模型使用的算法以及已经训练好的深度学习模型版本号。

S33：当Web服务中的节点组件连接关系确定后，可以点击页面右上方的“发布”按钮发布定制化的服务。

S34：在已发布的服务中，如果有深度学习模型版本的更新，或者节点中参数的修改，可以点击页面左上方的“修改服务”按钮，并对待修改节点的参数进行修改，如图9所示，对图8中的定位模型的模型版本进行了修改，模型版本由“20190101124000”修改为“202000211153400”。修改完毕后，再次点击页面右上方的“发布”按钮即可更新服务。

如图10所示，当容器控制接口接收到用户从页面发送的定制请求后，会向Kubernets发送容器启动请求，当资源满足要求时，Kubernets会根据需求启动Web服务的容器并分配所需资源至Web服务的容器，容器内就会自动构建定制化Web服务代码。

其中，Kubernets是Google开源的一个容器编排引擎，支持自动化部署、大规模可伸缩和应用容器化管理。

图11为自动构建定制化深度学习Web服务代码的流程示意图。其核心是通过模块化概念，将每个节点视为单独的模块代码，然后根据定制化流程，将模块代码按特定方式组合在一块，形成Web服务，具体流程如下：

S41：从深度学习模型库和深度学习代码库获取深度学习模型以及对接代码。

具体地，在收到定制化Web服务请求的同时，会收到定制的相关节点详细信息，通过相关节点详细信息，从深度学习模型库下载用户选择的深度学习模型，从深度学习代码库下载对应算法的相关代码。

S42：将下载后的深度学习模型加载到深度学习模型的启动服务TF Serving(TensorFlow Serving)中托管。

其中，TensorFlow Serving是Google开源的一个服务***，适用于部署机器学习模型。

S43：根据Flask+gunicorn模式和用户定制化流程构建Web服务，若存在模型处理则调用在TF Serving中对应的模型。

其中，Flask是一种使用Python编写的轻量级Web应用框架；gunicorn是一种高性能Web服务器网关接口(WSGI)服务器。

具体地，根据相关节点详细信息，基于Flask+gunicorn模式构建Web服务代码，遇到需要调用模型的部分，则自动调用在TF Serving中对应的模型。在基于Flask+gunicorn+TF Serving模式的服务框架中，TF Serving作为深度学习模型的启动服务，负责加载深度学习模型，并为其分配相应的GPU或CPU资源；Flask+gunicorn用于对外提供服务接口，内部根据业务逻辑调用TF Serving中相关的深度学习模型。

S44：对用户提供定制化Web服务。具体地，对外曝露服务接口，以供用户调用。

由上述描述可知，本申请提供一种Web服务构建方法及装置，通过前端页面配置的方式，确定需要的已训练好深度学习的模型，通过拖拽框的形式，确定服务内部的处理流程，最终将多个深度学习模型组合并对外提供定制化Web服务，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性；能够避免重复开发造成的准确性和效率问题，降低维护Web服务和构建Web服务的成本。

从硬件层面来说，为了提高构建Web服务的效率、灵活性及准确性，进而提高应用Web服务处理相关业务过程的准确性，本申请提供一种用于实现所述Web服务构建方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现所述Web服务构建装置以及用户终端等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述Web服务构建方法的实施例及用于实现所述Web服务构建装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图12为本申请实施例的电子设备9600的***构成的示意框图。如图12所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图12是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在本申请一个或多个实施例中，Web服务构建功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤100：接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息。

步骤200：根据所述目标节点信息获取当前的目标节点。

步骤300：基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

从上述描述可知，本申请的实施例提供的电子设备，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性。

在另一个实施方式中，Web服务构建装置可以与中央处理器9100分开配置，例如可以将Web服务构建装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现Web服务构建功能。

如图12所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图12中所示的所有部件；此外，电子设备9600还可以包括图12中没有示出的部件，可以参考现有技术。

如图12所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图像、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

上述描述可知，本申请的实施例提供的电子设备，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性。

本申请的实施例还提供能够实现上述实施例中的Web服务构建方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的Web服务构建方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤100：接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息。

步骤200：根据所述目标节点信息获取当前的目标节点。

步骤300：基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务。

从上述描述可知，本申请实施例提供的计算机可读存储介质，能够提高构建Web服务的效率、灵活性及准确性，进而能够提高应用Web服务处理相关业务过程的准确性。

本申请中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种Web服务构建方法，其特征在于，包括：

接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；

根据所述目标节点信息获取当前的目标节点；

基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，所述目标Web服务中包含有数据接收节点、图像定位节点、裁切节点和图像文本识别节点；

在所述构建用于处理当前业务的目标Web服务之后，还包括：

应用所述数据接收节点接收待识别图像，应用与所述数据接收节点连接的图像定位节点中预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型；应用与所述图像定位节点连接的裁切节点并基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像；应用与所述裁切节点连接的图像文本识别节点中预设的图像文本识别模型对所述待识别区域图像进行图像文本识别；

所述接收当前业务对应的目标Web服务构建请求，包括：

若触发页面左上方的自定义算法的按钮，则将本地自定义算法文件上传至节点组件库中，该自定义算法显示在页面右侧的节点组件图标中；

在拖拽节点组件图标的同时，若该节点组件图标对应的是深度学习模型的节点，则在页面选定模型使用算法以及版本号；

当Web服务中的节点组件连接关系确定后，若触发页面右上方的发布选项，则接收到当前业务对应的目标Web服务构建请求；

所述基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，包括：

TF Serving作为深度学习模型的启动服务，负责加载深度学习模型，并为其分配相应的GPU或CPU资源；应用Flask+gunicorn对外提供服务接口，根据业务逻辑调用TF Serving中相关的深度学习模型，构建用于处理当前业务的目标Web服务。

2.根据权利要求1所述的Web服务构建方法，其特征在于，各个所述目标节点分别设置有不同的代码组信息；

相对应的，所述基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，包括：

根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

3.根据权利要求1所述的Web服务构建方法，其特征在于，所述图像定位模型为基于Deeptext算法的深度学习模型。

4.根据权利要求1所述的Web服务构建方法，其特征在于，所述图像文本识别模型为卷积循环神经网络模型。

5.一种Web服务构建装置，其特征在于，包括：

接收模块，用于接收当前业务对应的目标Web服务构建请求，该目标Web服务构建请求包括：目标节点信息和各个目标节点之间的连接关系信息；

获取目标节点模块，用于根据所述目标节点信息获取当前的目标节点；

构建模块，用于基于各个所述目标节点和各个目标节点之间的连接关系信息，构建用于处理当前业务的目标Web服务，所述目标Web服务中包含有数据接收节点、图像定位节点、裁切节点和图像文本识别节点；

所述Web服务构建装置还用于：

应用所述数据接收节点接收待识别图像，应用与所述数据接收节点连接的图像定位节点中预设的图像定位模型确定所述待识别图像对应的待识别区域信息，该图像定位模型为预先训练得到的用于确定图像对应的待识别区域信息的深度学习模型；应用与所述图像定位节点连接的裁切节点并基于所述待识别区域信息对所述待识别图像进行裁切，得到待识别区域图像；应用与所述裁切节点连接的图像文本识别节点中预设的图像文本识别模型对所述待识别区域图像进行图像文本识别；

所述接收模块具体用于：

若触发页面左上方的自定义算法的按钮，则将本地自定义算法文件上传至节点组件库中，该自定义算法显示在页面右侧的节点组件图标中；

在拖拽节点组件图标的同时，若该节点组件图标对应的是深度学习模型的节点，则在页面选定模型使用算法以及版本号；

当Web服务中的节点组件连接关系确定后，若触发页面右上方的发布选项，则接收到当前业务对应的目标Web服务构建请求；

所述构建模块具体用于：

TF Serving作为深度学习模型的启动服务，负责加载深度学习模型，并为其分配相应的GPU或CPU资源；应用Flask+gunicorn对外提供服务接口，根据业务逻辑调用TF Serving中相关的深度学习模型，构建用于处理当前业务的目标Web服务。

6.根据权利要求5所述的Web服务构建装置，其特征在于，各个所述目标节点分别设置有不同的代码组信息；

相对应的，所述构建模块包括：

构建单元，用于根据各个目标节点之间的连接关系信息将各个所述目标节点中的代码组信息组合，以构建得到所述用于处理当前业务的目标Web服务。

7.根据权利要求5所述的Web服务构建装置，其特征在于，所述图像定位模型为基于Deeptext算法的深度学习模型。

8.根据权利要求5所述的Web服务构建装置，其特征在于，所述图像文本识别模型为卷积循环神经网络模型。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4任一项所述的Web服务构建方法。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现权利要求1至4任一项所述的Web服务构建方法。