Ir al contenido principal

OCR

Esta sección describe la configuración de OCR (reconocimiento óptico de caracteres) en Sync-in para extraer texto de imágenes contenidas en archivos PDF e integrarlo en la búsqueda de texto completo.

La configuración se realiza en environment.yaml, consulte la sección OCR.

Requisitos previos​

  • La indexación de contenido debe estar habilitada globalmente: applications.files.contentIndexing.enabled (true por defecto).
  • La indexación debe estar habilitada en el espacio correspondiente (habilitada por defecto).
  • En modo fuera de línea (offline: true), los archivos de idioma deben estar presentes localmente y ser legibles por el servidor.

Configuración​

Ejemplo mínimo (modo online, descarga automática de idiomas si es necesario):

applications:
  files:
    contentIndexing:
      enabled: true
      ocr:
        enabled: true
        languages: [ eng,fra ]
        offline: false
información

En el modo en línea, los archivos de idioma se almacenan en el directorio server/applications/files/assets/ocr-languages. La ruta puede variar dependiendo de si la instalación se realizó a través de NPM o Docker Compose.

Ejemplo sin conexión con un directorio local dedicado:

applications:
  files:
    contentIndexing:
      enabled: true
      ocr:
        enabled: true
        languages: [ eng,fra ]
        offline: true
        languagesPath: /app/ocr-lang

Modo sin conexión​

Cuando offline: true, los archivos de idioma deben descargarse y proporcionarse localmente.

Sync-in se basa en los datos de idioma de Tesseract.js.

Formato de URL:

https://cdn.jsdelivr.net/npm/@tesseract.js-data/<lang>@1.0.0/4.0.0_best_int/<lang>.traineddata.gz

Ejemplo para francés e inglés:

mkdir -p /app/ocr-lang
curl -L -o /app/ocr-lang/fra.traineddata.gz \
  https://cdn.jsdelivr.net/npm/@tesseract.js-data/fra@1.0.0/4.0.0_best_int/fra.traineddata.gz
curl -L -o /app/ocr-lang/eng.traineddata.gz \
  https://cdn.jsdelivr.net/npm/@tesseract.js-data/eng@1.0.0/4.0.0_best_int/eng.traineddata.gz

Configuración correspondiente:

applications:
  files:
    contentIndexing:
      ocr:
        languages: [ fra, eng ]
        offline: true
        languagesPath: /app/ocr-lang
información

Los nombres de los archivos deben coincidir con los códigos definidos en languages (ejemplo: fra.traineddata.gz para fra).

Mejores prácticas​

  • Limite languages a los idiomas que realmente se necesitan para reducir el tiempo de indexación.
  • Habilite offline: true en entornos aislados o sin acceso a Internet.