Configuración del motor OCR

OpenKM puede trabajar con varios motores OCR, como Tesseract.

Consejo

OpenKM puede integrarse con cualquier motor 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

Encontrará 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 OCR de código abierto adoptado por Google. Funciona muy bien. El OCR puede leer documentos TIFF de forma nativa y tiene una alta tasa de reconocimiento con imágenes a una resolución de 300 ppp que se hayan convertido a arte lineal (color de 1 bit).

Los formatos de imagen admitidos 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, dependiendo de su configuración regional, puede que desee instalar otro fichero 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 manera: 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, dependiendo de su configuración regional, puede que desee instalar otro fichero 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 manera: bash<br>$ tesseract --list-langs<br> En Red Hat, recomendamos ponerse en contacto con el soporte de Red Hat para obtener más información. Más información en: - https://tesseract-ocr.github.io/tessdoc/Installation.html
Windows	Descárguelo desde https://tesseract-ocr.github.io/tessdoc/Installation.html y siga el asistente de instalación.

Comprobación de la instalación

Desde la línea de comandos, ejecute (donde image.jpg debe ser un fichero de imagen existente):

$ tesseract image.jpg text

Nota

El fichero image.jpg es un fichero de imagen.

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

Configuración

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

OS
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 mediante un único espacio.

• El parámetro ${fileIn} se sustituirá internamente por el documento de imagen que se va a procesar.
• El parámetro ${fileOut} se sustituirá internamente por un fichero de texto temporal.
• Puede establecer otros 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 el menú Select 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 OpenOffice.org Dictionary Repository.

Configuración

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

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

Precaución

Los diccionarios se presentan en formato .zip u .oxt. Puede utilizar ambos.

Configuración de rotación del OCR

Existe un parámetro de configuración que fuerza el OCR en documentos rotados.

Consejo

La funcionalidad es útil, por ejemplo, para páginas escaneadas al revés, en las que el OCR estándar fallaría.

Precaución

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