Como configurar o plugin alf-tengine-ocr do Alfresco com Tesseract para português

Por favor, avalie Votar 1 Votar 2 Votar 3 Votar 4 Votar 5  

Este material foi produzido pela Ambiente Livre Labs, divisão de pesquisa em FLOSS da Ambiente Livre. Esta demanda surgiu de um processo de implantação do Alfresco Platform uma empresa do setor hospitalar no Brasil que precisava indexar conteúdos de PDF que não eram PDF/a (Pesquisáveis ).

O problema.

O problema inicial surgiu quando instalamos o plugin alf-tengine-ocr no Alfresco Platform testamos e identificamos que algumas palavras do idioma português não eram bem interpretadas no Tesseract, analisamos o container do plugin e vimos que o mesmo não vem com o suporte a linguagem portuguesa instalada na imagem, mesmo setando o  parâmetro "por", abreviação de portuguese, na variável de ambiente do container docker vai docker-compose, o mesmo emitia logs de erro de falta de suporte. Esta parâmetro invoca o  modelo treinado para português e isso melhora muito o reconhecimento de palavras em português: acentos, cedilhas, conjugações, etc.

O Plugin alf-tengine-ocr (Alfresco Transformer from PDF to OCRd PDF).

o Alfresco Transformer from PDF to OCRd PDF (alf-tengine-ocr) é um transformador de documentos para o Alfresco que adiciona OCR (Reconhecimento Óptico de Caracteres) a arquivos PDF. Ele usa o ocrmypdf e o Tesseract para gerar PDFs pesquisáveis. Compatível com Alfresco 7.0 ou superior, pode ser usado via Docker. O projeto facilita a integração do OCR diretamente no fluxo de transformação de documentos.

Pré-requisitos deste tutorial.

• Ter um Alfresco instalado com Alfresco Installer.
• Ter o docker-compose.yml já gerado com o transform-ocr.
• Conhecimento Básico de Alfresco, docker e docker-compose.

Versões.

Este artigo foi desenvolvido com a versão Alfresco 23, e deve funcionar em suar versões superiores.

Dockerfile para personalização da imagem.

1. Crie o diretório para o Dockerfile do tesseract-ocr.
   

   cd /opt/alfresco
   mkdir tesseract-ocr

2. Crie o arquivo Dockerfile.
   
   

   nano Dockerfile

3. Adicione o conteúdo a seguir criando o arquivo Dockerfile, (pode customizar conforme necessário, desta forma ele aceita qualquer outra língua setada)
   
   

   FROM angelborroy/alfresco-tengine-ocr:1.0.0
   ARG languages
   
   USER root
   
   # Install additional Tesseract languages
   RUN langs=$(echo $languages | tr "," "\n"); \
    apt-get update; \
    for l in $langs; \
    do \
    sleep 10; \
    apt-get install -y tesseract-ocr-$l; \
    done
   
   USER alfte

4. Aqui consideramos que já instalou o plugin via Alfresco Installer, customize o arquivo  docker-compose.yml substituindo o seu conteúdo original pelo conteúdo a seguir, mas deve manter sua configuração de memória original, caso queira instalar outras linguagens basta informar no ARGs languages separado por vírgula:
   ** Atenção no exemplo abaixo o restante do arquivo foi suprimido (...)
   
   

   ...
       transform-ocr:
           build:
             context: ./transform-ocr
             args:
               languages: por
           image: angelborroy/alfresco-tengine-ocr:1.0.0
           mem_limit: 1536m
           environment:
             JAVA_OPTS: "
                 -XX:MinRAMPercentage=50 -XX:MaxRAMPercentage=80
                 -Dserver.tomcat.threads.max=4
                 -Dserver.tomcat.threads.min=1
               "
             OCRMYPDF_ARGUMENTS: "--skip-text -l por"
   ...

5. Agora basta parar o Alfresco e executar o start do Alfresco com a opção --build do docker.
   

   docker-compose down
   docker-compose up -d --build

6. Pronto basta usar agora o Alfresco com OCR e com suporte a língua portuguesa.

Sobre o Alfresco ECM.

O Alfresco é uma plataforma de software para gestão de conteúdo (ECM) integrado com softwares de gestão de processo (BPMs), com licença open Source (Apache 2.0) e mantido pela Hyland.

Sobre a Edtech Ambiente Livre.

É uma Spinoff que está em Beta na Ambiente Livre e já tem um treinamento lançado em EAD sob demanda sobre Alfresco: 

Conheça o treinamento On demand de Alfresco em : https://www.ambientelivre.com.br/treinamento/alfresco/fundamental.html

A plataforma e 100% Open Source!

Referências.

Alfresco Transformer from PDF to OCRd PDF - https://github.com/aborroy/alf-tengine-ocr
Tesseract https://github.com/tesseract-ocr/tesseract
Alfresco Installer - https://github.com/aborroy/alfresco-installer

Autor