This script monitors a set of input directories for PDF files once a new file is detected, it is processes through tesseract OCR in order to generate a new file with a hidden searchable text layer
It may be distributed under the conditions of the LGPL v2.1 license.
Author: Guilherme Chehab
- 0.1
- Initial single server version
- 0.2
- Check if page already has the html hidden layer, if so, ignore it
- 0.3
- Solved issues about various image enconding types
- 0.4
- Added a postnormalization step to ensure all output pdf pages have the same size and orientations as the original files
- 0.5
- Used input file renaming as a way to sync multiple parallel instances, that way, it is minimized the risk of same file being OCRed multiple times.
- 0.6
- Added a default handler for unknown image encoding using jpeg encoding
- 0.7
- Solved an issue with files with more than 1000 pages
- 1.0
- First release version
- 1.0.1 Solving error when file has no images
- 1.0.2 Fix bug when counting cores for AMD processors
- 1.0.3 Added better image type detection
- 1.0.4 Fix: added ubuntu init script
- 1.0.4b Add Centos 6.9 install instructions
- 2.0
- PDF/A output, and better compression with ghostscript
- Rewritten image extration, processing and transformations process
- Check if input file is signed, in this case, does not change the file contents
- Added '-oem 0' option to tesseract (force legacy mode on tesseract 4)
- Use operating system packges by default
- Changed paths from external programs, instead of using full paths, uses first match from $PATH
- Check existence of external programs on path before running
- Add support for stencil type and image encoding scans, changed default extraction method for unknown types/encodings
- Fix: create subpaths on error folder
- Fix: trying to reduce overhead on temporary folder
- 2.1/2.1.1
- Filter pipelines: disabled by default
- Color reduction: disabled by default
- Stock Ubuntu 20.x docker
- Changes get_imgs and OCR processing to enable pages with more than one image -- it would not work on previous versions that assumed #pages = #imgs. Version 1.0.1 counts them diferently but does not treat it adequately -- shall require better pdf´s internal structure handling
- Review poppler and cpdf install instructions
- Add better handling of vectorized and non scanned pdf files
- Add option to generate multi-page tiff files to reduce overhead (one for each CPU core) -- harder with current scalling, cropping and rotation handlers
- Check mean saturation for additional colored images detection and automatically convert to B&W if possible -- added function to analyse image color histogram -> just need to add option to convert it to B&W.
- Move all parameters to config file
- Add some job control web interface
- Add end user interface to submit files through web
- Add check external programs version requirements before running
- When image is of type stencil or encoding image, cropping information is lost, and page is shown different than original, this is due to using pdftoppm instead of pdfimages
- Perl 5.10.1, com seguintes módulos:
- File::Find::Rule
- File::Basename
- File::Copy
- File::Path
- File::Touch
- Sys::Syslog
- Sys::Hostname
- IPC::Open3
- IO::Select
- POSIX
- Tesseract-ocr 3.05, com dicionários inglês e português
- Pdftk 2.02
- Poppler-utils 0.42.0
- Cpdf 2.1
- ImageMagick 6.7.2-7
- Ghostcript 9.22
Na ausência deles na distribuição do sistema operacional, o uso de versões antigas desses componentes podem comprometer o correto funcionamento do sistema
Dessa forma, pode ser necessário compilar os componentes faltantes, assim como as bibliotecas necessárias para o seu correto funcionamento.
Esse arquivo contem informações quanto aos procedimentos para instalar e configurar o sistema pressupondo o pior caso, qual seja, a necessidade de compilação dos componentes.
ATENÇÃO: se algum componente abaixo não estiver disponível no repositório padrão para o Linux utilizado, deve-se proceder com a compilação da versão mais recente do componente disponibilizado em outros repositórios para que seja instalado no Linux a ser utilizado.
- @BASE_DIRS: Lista de diretórios base para a busca de arquivos --> cada diretório base irá ter sua própria instância do script
- @SUB_DIRS: Subdiretórios de entrada, saída, backup do arquivos originais, temporário e de arquivos com erro
- $MAX_FILES: Número máximo de arquivos a serem processados simultaneamente por diretório de entrada (default: 2)
- $MAX_PGS: Número máximo de páginas que podem ser processadas simultanemante por arquivo de entrada (default: no. de CPUs)
Essas variáveis controlam o número máximo de instâncias de processos simultâneas = Num. de diretorios X MAX_FILES X MAX_PGS.
Recomenda-se que o equipamento tenha em torno de 1,5 GB de RAM para cada core de CPU de forma a evitar swap. Se isso não for possível, pode ser reduzido o número de processos ou arquivos simultâneos.
A configuração do servidor pode ser dimensionada com base no tempo desejado para processamento de grandes arquivos (> 100 páginas). Cada página tem sua própria thread de processamento, até o limite de $MAX_PGS, cujo default é o no. de cores de CPU. Em média cada página demora em torno de 18 segundos em uma CPU Xeon E5 [email protected]. Assim, com 16 CPUs, o desempenho agregado é em torno de 1,2 segundos por página.
Para operação multi instância, basta instalar quantos servidores forem necessários e eles podem ter acesso aos mesmos diretórios de entrada que podem ser compartilhamentos SAMBA/CIFS/Windows ou NFS.
O OCR-Server também está disponível como um container Docker, permitindo o rápido provisionamento da solução em ambiente de produção. Todos os procedimento para construção da imagem do container podem ser encontrados no arquivo Dockerfile.
Para execução do serviço, basta que o docker instalado no servidor e executar o seguinte comando:
docker run --name <NOME_CONTAINER> -d -v <DIRETORIO_BASE>:/var/ocr-server gchehab/ocr-server
Onde:
--name : Nome atribuído à instância do container. Ex: ocr-server
-d : Indicação executar o container em background
-v : Diretório de compartilhamento entre o servidor host e o container.
O parâmetro <DIRETORIO_BASE> deve ser substituído pelo diretório base para busca de arquivos.
Para visualizar os logs de processamento do serviço, basta executar o seguinte comando:
docker logs <NOME_CONTAINER>
Em servidor Ubuntu 16.04, os pacotes padrão (com exceção do CPDF, que não tem no repositório oficial) são suficientes para executar o aplicativo, não havendo necessidade de compilar todos, assim é a arquitetura recomendada
Quanto ao CPDF, é possível baixar a versão binária em: https://github.com/coherentgraphics/cpdf-binaries
# RedHat 6.7 e Centos 6.9:
yum -y install autoconf make gcc-java gcc gcc-c++ subversion pkg-config automake libtool yasm cmake git libgcj unzip
yum -y install libtiff-devel libpng-devel openjpeg-devel libjpeg-turbo-devel giflib-devel libwebp-devel zlib-devel libicu-devel pango-devel cairo-devel fontconfig-devel gettext-devel libcurl-devel nss-devel
cd /tmp
wget http://www.itzgeek.com/msttcore-fonts-2.0-3.noarch.rpm
rpm -Uvh msttcore-fonts-2.0-3.noarch.rpm
rm -f msttcore-fonts-2.0-3.noarch.rpm
# Centos 6.9
# \_ autoconf-archive
wget ftp://ftp.pbone.net/mirror/ftp5.gwdg.de/pub/opensuse/repositories/home:/pelliott11:/autoconf-archive/CentOS_CentOS-6/noarch/autoconf-archive-2012.04.07-7.3.noarch.rpm
rpm -i autoconf-archive-2012.04.07-7.3.noarch.rpm
rm autoconf-archive-2012.04.07-7.3.noarch.rpm
# \_ GCC 4.8
wget http://people.centos.org/tru/devtools-2/devtools-2.repo -O /etc/yum.repos.d/devtools-2.repo
yum install devtoolset-2-gcc devtoolset-2-binutils devtoolset-2-gcc-c++ devtoolset-2-gcj
# Ubuntu 14.04 Server:
apt-get install build-essential cmake libtool yasm pkg-config subversion git libgcj14
apt-get install libtiff-dev libpng-dev libopenjpeg-dev libjpeg8-dev libjpeg-turbo8-dev libjpeg-dev libgif-dev zlib1g-dev libicu-dev libpango1.0-dev libcairo2-dev libfontconfig1-dev libgettextpo-dev libcurl-dev libnss3-dev
apt-get install ttf-mscorefonts-installer
# Ambas plataformas:
cd /usr/local/src
for i in \
https://github.com/tesseract-ocr/langdata.git \
https://github.com/DanBloomberg/leptonica.git \
https://github.com/libav/libav.git \
https://github.com/tesseract-ocr/tessdata.git \
https://github.com/tesseract-ocr/tesseract.git \
git://git.freedesktop.org/git/poppler/poppler.git \
git://git.freedesktop.org/git/poppler/test.git \
https://github.com/Flameeyes/unpaper.git \
https://github.com/ocaml/ocaml.git \
https://gitlab.camlcity.org/gerd/lib-findlib.git \
https://github.com/johnwhitington/camlpdf.git \
https://github.com/johnwhitington/cpdf-source.git \
http://git.ghostscript.com/ghostpdl.git \
; do git clone $i; done
wget https://www.pdflabs.com/tools/pdftk-the-pdf-toolkit/pdftk-2.02-src.zip
unzip pdftk-2.02-src.zip
rm -f pdftk-2.02-src.zip
# pdftk, versão 2.02 ou superior
cd pdftk-2.02-dist/pdftk && make -f Makefile.Redhat all install && cd ../..
# Ghostscript 9.18 ou superior
#wget http://downloads.ghostscript.com/public/old-gs-releases/ghostscript-9.21.tar.gz
#tar xvozf ghostscript-9.21.tar.gz
#rm -f ghostscript-9.21.tar.gz
#cd ghostscript-9.21
cd ghostpdl
./autogen.sh; ./configure
make all install
cd ..
# Centos 6.9
# \_ Cria um novo shell usando o GCC 4.8 por default
scl enable devtoolset-2 bash
# Tesseract, versão 3.05-dev ou superior
# Bibliotecas para o Tesseract: Leptonica e Libav
cd leptonica && ./autobuild && ./configure && make all install && cd ..
# Para compilação do Tesseract após a compilação do leptonica
export PKG_CONFIG_PATH=/usr/lib:/usr/local/lib:/usr/local/src/leptonica/
cd libav && ./configure --enable-sram && make all install && cd ..
# Tesseract
cd tesseract && ./autogen.sh && ./configure && make all install && cd ..
cp -avR tessdata/* /usr/local/share/tessdata/
# cpdf, versão 2.1 ou superior
cd ocaml && ./configure && make world.opt && make install && cd ..
mkdir -p /usr/local/man/man5
# lib-findlib -- pode dar erro na instalação de páginas de man... é seguro ignorar, ou basta criar os diretórios faltantes e tentar novamente
cd lib-findlib && ./configure && make all && make install && cd ..
cd camlpdf && sed -i.bak s/\(uint32\)/\(uint32_t\)/g flatestubs.c && make && make install && cd ..
cd cpdf-source && make all && make install && cp cpdf /usr/local/bin && cd ..
# poppler-utils, versão 0.42.0 ou superior
cd poppler && ./autogen.sh && ./configure --enable-cmyk --enable-libcurl && make all install && cd ..
# Centos 6.9
# \_ Termina o shell usando o GCC 4.8 por default
exit
# Criação do usuário
adduser ocr
# Copie os arquivos ocr ocr-* para os diretórios corretos, conforme o sistema operacional
cp ./usr/local/bin/ocr /usr/local/bin
# Auto start (RedHat 6.7 e CentOs 6.9)
cp ./usr/local/etc/init.d/ocr-redhat /etc/init.d/ocr
mv /etc
chkconfig --add ocr
chkconfig --level 2345 ocr on
# Auto start (Ubuntu 14.04)
cp ./usr/local/etc/init.d/ocr-ubuntu /etc/init.d/ocr
update-rd.d ocr defaults
# Create pkg -- para instalação em outras máquinas sem a necessidade de novas compilações
cd /home/ocr
tar cvozf pkg-ocr.tgz /usr/local/bin /usr/local/lib* /usr/local/man/ /usr/local/sbin/ /usr/local/share/ /usr/local/etc /usr/local/include/ /home/ocr/ocr* /etc/init.d/ocr /etc/rc*.d/*ocr
su
# Criação do usuário
adduser ocr
# Copie o pacote para os outros servidores e extraia com:
cd /
tar xovzf pkg-ocr.tgz
# Instalando pré-requisitos RUNTIME em servidores adicionais
# Redhat 6.7 e CentOS 6.9
yum -y install perl-File-Find-Rule-Perl perl-File-Touch libtiff libpng openjpeg-libs libjpeg-turbo giflib zlib libicu pango cairo fontconfig ImageMagick gettext libwebp ghostscript
yum -y install libtiff libpng openjpeg libjpeg-turbo giflib libwebp zlib libicu pango cairo fontconfig gettext
# Ubuntu 14.04
apt-get install libfile-find-rule-perl libfile-find-rule-perl-perl libtiff5 libpng12-0 libopenjpeg2 libjpeg-turbo8 libgif4 zlib1g libicu52 libpango1.0-0 libcairo2 fontconfig imagemagick gettext libwebp5 # libgcj14
apt-get install libtiff5 libpng12-0 libopenjpeg2 libjpeg8 libjpeg-turbo8 libjpeg8 zlib1g libpango1.0-0 libcairo2 libfontconfig1 libgettextpo0 ghostscript
service ocr start