alfresco-simple-ocr

configuração para usar pypdfocr

Atualização do tesseract para 4.0

sudo add-apt-repository ppa:alex-p/tesseract-ocr
sudo apt-get update
sudo apt-get upgrade

Intalação dos dados para português

apt-get install tesseract-ocr-por

Instalação do pypdfocr e dependências

pip install pypdfocr
pip install pyyaml

O pypdfocr só funciona com va versão 3.4.0 do reportlab, então precisa instalar a versão correta
Referência: https://github.com/virantha/pypdfocr/issues/80#issuecomment-435129520

pip uninstall reportlab
pip install reportlab==3.4.0

Como o pypdfocr espera apenas um parâmetro de entrada, e não de saída, o script abaixo foi criado para eliminar o último parâmetro que o alfresco envia, que seria o documento de saída.
Referência: https://stackoverflow.com/a/20398578/1571186

Criar script ocr.sh contendo:

#!/usr/bin/env bash
# set -o xtrace # Uncomment for debugging/troubleshooting

array=( "$@" )
unset "array[${#array[@]}-1]"
/usr/local/bin/pypdfocr "${array[@]}"

Permissão de execução para o script

chmod +x ocr.sh

Instalação de dependências

apt install gcc libjpeg-dev minizip zlib1g-dev python-dev

Configuração no Alfresco

alfresco-global.properties
# PYPDFOCR
ocr.command=/opt/alfresco/scripts/ocr.sh
ocr.output.verbose=true
ocr.output.file.prefix.command=

ocr.extra.commands=-v -l por
ocr.server.os=linux


pip uninstall reportlab
pip install reportlab==3.4.0

O pypdfocr tem alguns problemas que precisam ser corrigidos, então fazer as edições seguintes no arquivo /usr/local/lib/python2.7/dist-packages/pypdfocr/pypdfocr_tesseract.py

Aplicar os ajustes

Ignorar verificação da versão fora do padrão
Linha 98, comentar e incluir a próxima no lugar
#ver = [int(x) for x in ver_str.split('.')]
ver = [4]

Corrigir erro: Error, unknown command line argument '-psm'
Linha 164, incluído o segundo -, como --psm
cmd = '%s "%s" "%s" --psm 1 -c hocr_font_info=1 -l %s hocr' % (self.binary, img_filename, basename, self.lang)