Vai al contenuto principale

OCR

Questa sezione descrive la configurazione dell'OCR (riconoscimento ottico dei caratteri) in Sync-in, utilizzato per estrarre il testo dalle immagini contenute nei PDF e integrarlo nella ricerca full-text.

La configurazione viene effettuata in environment.yaml; consultare la sezione OCR.

Prerequisiti​

  • L'indicizzazione dei contenuti deve essere attivata globalmente: applications.files.contentIndexing.enabled (true per impostazione predefinita).
  • L'indicizzazione deve essere attivata nello spazio interessato (attiva per impostazione predefinita).
  • In modalità offline (offline: true), i file delle lingue devono essere disponibili localmente e leggibili dal server.

Configurazione​

Esempio minimo (modalità online, download automatico delle lingue se necessario):

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

In modalità online, i file delle lingue vengono archiviati nella directory server/applications/files/assets/ocr-languages. Il percorso può variare a seconda che l'installazione sia stata eseguita tramite NPM o Docker Compose.

Esempio offline con una directory locale dedicata:

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

Modalità offline​

Quando offline: true, i file delle lingue devono essere scaricati e resi disponibili localmente.

Sync-in utilizza i dati linguistici di Tesseract.js.

Formato dell'URL:

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

Esempio per il francese e l'inglese:

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

Configurazione corrispondente:

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

I nomi dei file devono corrispondere ai codici definiti in languages, ad esempio fra.traineddata.gz per fra.

Buone pratiche​

  • Limitare languages alle lingue effettivamente necessarie per ridurre il tempo di indicizzazione.
  • Attivare offline: true negli ambienti isolati o privi di accesso a Internet.