OCR no Alfresco com Tesseract em Português! ( Arquivos TIF )

Nesta semana fiz uma integração do Alfresco com o Software de OCR Open Source Tesseract.

Minha Infra era Alfresco 5.0 + CentOS 6 + Tesseract 3.02

Escrevi alguns passos a serem realizados para isso funcionar bem!

Primeiramente instale o Tesseract na sua versão de Linux!
No meu Caso era CentOs e segui este passo a passo aqui :
https://alantamproject.wordpress.com/2015/05/12/centos-install-tesseract-ocr/comment-page-1/#comment-1

Para quem usa Ubuntu esta mais fácil : sudo apt-get install tesseract-ocr-por
no pacote e pronto!

Após instalar o tesseract caso queira reconhecer caracteres da lingua portuguesa pode instalar um pacote criado por um professor Thadeu
http://profs.if.uff.br/tjpp/blog/entradas/brazilian-portuguese-oficialmente-suportado-no-tesseract-ocr

é só copiar no diretório usr/local/share/tessdata após instalado!

Alterações no Alfresco que devem ser implementadas :

1. Crie um arquivo no diretório de extensões do Alfresco com o nome ocr-transform-context.xml em  /tomcat/shared/classes/alfresco/extension  com o conteúdo deste arquivo:

   <?xml version='1.0' encoding='UTF-8'?> <!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.org/dtd/spring-beans.dtd"> <beans> <bean id="transformer.worker.ocr.tiff" class="org.alfresco.repo.content.transform.RuntimeExecutableContentTransformerWorker"> <property name="mimetypeService"> <ref bean="mimetypeService"/> </property>   <property name="checkCommand"> <bean class="org.alfresco.util.exec.RuntimeExec"> <property name="commandsAndArguments"> <map> <entry key=".*"> <list> <value>/opt/alfresco/ocr</value> </list> </entry> </map> </property> <property name="errorCodes"> <value>2</value> </property> </bean> </property>   <property name="transformCommand"> <bean class="org.alfresco.util.exec.RuntimeExec"> <property name="commandsAndArguments"> <map> <entry key=".*"> <list> <value>/opt/alfresco/ocr</value> <value>${source}</value> <value>${target}</value> </list> </entry> </map> </property> <property name="errorCodes"> <value>1,2</value> </property> </bean> </property>   <property name="explicitTransformations"> <list> <bean class="org.alfresco.repo.content.transform.ExplictTransformationDetails"> <property name="sourceMimetype"><value>image/tiff</value></property> <property name="targetMimetype"><value>text/plain</value></property> </bean> </list> </property> </bean> <bean id="transformer.ocr.tiff" class="org.alfresco.repo.content.transform.ProxyContentTransformer" parent="baseContentTransformer"> <property name="worker"> <ref bean="transformer.worker.ocr.tiff"/> </property> </bean> </beans>

   <?xml version='1.0' encoding='UTF-8'?> <!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.org/dtd/spring-beans.dtd"> <beans> <bean id="transformer.worker.ocr.tiff" class="org.alfresco.repo.content.transform.RuntimeExecutableContentTransformerWorker"> <property name="mimetypeService"> <ref bean="mimetypeService"/> </property> <property name="checkCommand"> <bean class="org.alfresco.util.exec.RuntimeExec"> <property name="commandsAndArguments"> <map> <entry key=".*"> <list> <value>/opt/alfresco/ocr</value> </list> </entry> </map> </property> <property name="errorCodes"> <value>2</value> </property> </bean> </property> <property name="transformCommand"> <bean class="org.alfresco.util.exec.RuntimeExec"> <property name="commandsAndArguments"> <map> <entry key=".*"> <list> <value>/opt/alfresco/ocr</value> <value>${source}</value> <value>${target}</value> </list> </entry> </map> </property> <property name="errorCodes"> <value>1,2</value> </property> </bean> </property> <property name="explicitTransformations"> <list> <bean class="org.alfresco.repo.content.transform.ExplictTransformationDetails"> <property name="sourceMimetype"><value>image/tiff</value></property> <property name="targetMimetype"><value>text/plain</value></property> </bean> </list> </property> </bean> <bean id="transformer.ocr.tiff" class="org.alfresco.repo.content.transform.ProxyContentTransformer" parent="baseContentTransformer"> <property name="worker"> <ref bean="transformer.worker.ocr.tiff"/> </property> </bean> </beans>

Adicione um shell script para fazer a manipulação doArquivo via Sistema Operacional/Tesseract , o mesmo deve ser adicionado em /opt/alfresco com o nome ocr ( sem extensão mesmo ) , com o conteúdo abaixo, ( ATENÇÂO !para o português mude a opção eng para por na penúltima linha)

#!/bin/bash # save arguments to variables SOURCE=$1 TARGET=$2 TMPDIR=/tmp FILENAME=`basename $SOURCE` OCRFILE=$FILENAME.tif   # to see what happens #echo "from $SOURCE to $TARGET" >>/tmp/ocrtransform.log   cp -f $SOURCE $TMPDIR/$OCRFILE   # call tesseract and redirect output to $TARGET tesseract $TMPDIR/$OCRFILE ${TARGET%\.*} -l eng rm -f $TMPDIR/$OCRFILE

#!/bin/bash # save arguments to variables SOURCE=$1 TARGET=$2 TMPDIR=/tmp FILENAME=`basename $SOURCE` OCRFILE=$FILENAME.tif # to see what happens #echo "from $SOURCE to $TARGET" >>/tmp/ocrtransform.log cp -f $SOURCE $TMPDIR/$OCRFILE # call tesseract and redirect output to $TARGET tesseract $TMPDIR/$OCRFILE ${TARGET%\.*} -l eng rm -f $TMPDIR/$OCRFILE

Agora e só reiniciar o Alfresco e fazer upload de um arquivo TIF , depois procurar por um texto contido no arquivo TIF! Este tutorial com um pouco de conhecimento em Alfresco e XML e Tesseract Isso pode ser adaptado para outros tipos de arquivos, espero tem ajudado!

Referências: http://www.cnblogs.com/tyshan/p/4867949.html
http://profs.if.uff.br/tjpp/blog/entradas/brazilian-portuguese-oficialmente-suportado-no-tesseract-ocr