Configurar el motor de OCR

OpenKM puede trabajar con varios motores de OCR, como Tesseract.

Consejo

OpenKM puede integrarse con cualquier motor de OCR que pueda ejecutarse desde la línea de comandos.

Tesseract

Nota

Consulte la lista de idiomas admitidos en https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html

Más información sobre la instalación en distintos sistemas operativos y distribuciones de Linux en https://tesseract-ocr.github.io/tessdoc/Installation.html

Tesseract es un motor de OCR de código abierto adoptado por Google. Funciona muy bien. Puede leer documentos TIFF de forma nativa y tiene una alta tasa de reconocimiento con imágenes de resolución 300 dpi convertidas a line art (color de 1 bit).

Los formatos de imagen compatibles son:

• TIFF
• PNG
• JPG
• GIF

Instalación

SO	Descripción
Ubuntu and Debian	bash<br>$ apt install tesseract-ocr<br> El idioma instalado por defecto es el inglés, por lo que, según su configuración regional, quizá desee instalar otro archivo de idioma. Por ejemplo, para instalar el paquete de idioma español: bash<br>$ apt install tesseract-ocr-spa<br> Puede comprobar los idiomas instalados de esta forma: bash<br>$ tesseract --list-langs<br> Más información en: - https://github.com/tesseract-ocr/tesseract - https://tesseract-ocr.github.io/tessdoc/Installation.html
Red Hat and CentOS	En CentOS puede instalar Tesseract desde el repositorio EPEL: bash<br>$ yum install epel-release<br>$ yum install tesseract<br> El idioma instalado por defecto es el inglés, por lo que, según su configuración regional, quizá desee instalar otro archivo de idioma. Por ejemplo, para instalar el paquete de idioma español: bash<br>$ yum install tesseract-langpack-spa<br> Puede comprobar los idiomas instalados de esta forma: bash<br>$ tesseract --list-langs<br> En Red Hat, recomendamos ponerse en contacto con el soporte de Red Hat para más información. Más información en: - https://tesseract-ocr.github.io/tessdoc/Installation.html
Windows	Descargue desde https://tesseract-ocr.github.io/tessdoc/Installation.html y siga el asistente de instalación.

Comprobar la instalación

Desde la línea de comandos ejecute (donde “image.jpg” debe ser un archivo de imagen existente):

$ tesseract image.jpg text

Nota

El archivo image.jpg es un archivo de imagen.

Si todo va bien, se creará un archivo llamado text.txt que contiene el texto extraído.

Configuración

Vaya a Administration > Configuration parameters y edite el parámetro llamado system.ocr:

SO
Linux	/usr/bin/tesseract ${fileIn} ${fileOut} o /usr/bin/tesseract ${fileIn} ${fileOut} -l esp El parámetro -l esp indica que debe utilizarse el soporte del idioma español al ejecutar el OCR. Para ver todas las opciones de Tesseract, ejecute: bash<br>$ tesseract<br>
Windows	c:\Tesseract-ocr-3.0.2\tesseract.exe ${fileIn} ${fileOut} o c:\Tesseract-ocr-3.0.2\tesseract.exe ${fileIn} ${fileOut} -l spa El parámetro -l esp indica que debe utilizarse el soporte del idioma español al ejecutar el OCR. Para ver todas las opciones de Tesseract, ejecute: bash<br>c:\Tesseract-ocr-3.0.2> tesseract.exe<br>

Precaución

Cada parámetro se separa por un único “espacio en blanco”.

• El parámetro ${fileIn} se sustituirá internamente por el documento de imagen que se va a procesar.
• El parámetro ${fileOut} se sustituirá internamente por el archivo de texto temporal.
• Puede establecer parámetros adicionales, como el parámetro -l spa del ejemplo.

Nota

Una vez configurado, vaya a Administration > Utilities > Plugins, elija com.openkm.plugin.extractor.TextExtractor en la lista y habilite el plugin TesseractTextExtractor.

Información adicional

• http://code.google.com/p/tesseract-ocr/
• Tesseract - Summary & first experiences.
• Tesseract OCR Google Groups
• First Interactions with Tesseract OCR on Ubuntu Linux
• http://code.google.com/p/tesseract-ocr/wiki/ReadMe
• http://code.google.com/p/tesseract-ocr/wiki/FAQ

Diccionario

También puede utilizar un diccionario de OpenOffice.org para mejorar el proceso de OCR. Puede encontrar estos diccionarios específicos de cada idioma en el OpenOffice.org Dictionary Repository.

Configuración

Vaya a Administration > Configuration parameters y edite el parámetro llamado system.openoffice.dictionary:

SO
Linux	/home/openkm/dictionary/en-GB.zip
Windows	c:\tomcat-8.5.69\dictionary\en-GB.zip

Precaución

Los diccionarios vienen en formato .zip u .oxt. Puede utilizar ambos.

Configuración de rotación de OCR

Existe un parámetro de configuración que fuerza el ocr de documentos sobre documentos rotados.

Consejo

La funcionalidad es útil, por ejemplo, con páginas escaneadas al revés, donde la dirección estándar del OCR fallará.

Precaución

Cuando la funcionalidad está habilitada, la operación se realizará en todas las extracciones de OCR, lo que puede tener efectos no deseados en la funcionalidad de plantillas OCR.

Configuración

Vaya a Administration > Configuration parameters y edite el parámetro llamado system.ocr.rotate: 

Propiedad	Descripción
system.ocr.rotate	El parámetro es una colección de grados separados por el carácter “;” 90;180;270;

Información adicional:

• Linux OCR Software Comparison
• Tesseract OCR
• Ocropy
• Gocr
• Ocrad