文档管理系统 Mayan EDMS支持中文OCR

1.介绍

安装完后报错OCR识别中文报错了
Exception calling Tesseract with language option: zho; RAN: /usr/bin/tesseract - - -l zhoSTDOUT: STDERR: Error opening data file /usr/share/tesseract-ocr/4.00/tessdata/zho.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata” directory. Failed loading language ‘zho’ Tesseract couldn’t load any languages! Could not initialize tesseract. The requested OCR language “zho” is not available and needs to be installed.

文档管理系统 Mayan EDMS，安装完默认OCR不支持中文的。
文档管理系统 Mayan EDMS默认采用Tesseract，可以自己后端封装。

OCR_BACKEND的默认值为 "ocr.backends.tesseract.Tesseract"

要在使用Tesseract时为OCR更多语言添加支持，请安装相应的语言文件。如果使用基于Debian的操作系统，此命令将显示可用的语言文件：

apt-cache search tesseract-ocr

2.步骤

Mayan EDMS使用的标准是ISO 639-3，默认显示很多很多的语言，我们删去不要的，默认支持中文和英语

系统-设置-设置-文档

DOCUMENTS_LANGUAGE_CODES，
例如，将列表缩小为仅英语和中文

DOCUMENTS_LANGUAGE_CODES = ('eng', 'zho')

zho在ISO 639表示中文，其他语言在https://tesseract-ocr.github.io/tessdoc/Data-Files查找

也可以使用以下命令配置下拉菜单中显示的默认语言：

DOCUMENTS_LANGUAGE = 'zho'

修改完后重启服务

sudo systemctl restart supervisor

完成后如图

3，上传OCR训练文件库

cd /usr/share/tesseract-ocr/4.00/tessdata
ls

默认是没有zho.traineddata这个训练文件的

下载traineddata地址
找到
chi_sim Chinese - Simplified chi_sim.traineddata
chi_tra Chinese - Traditional chi_tra.traineddata

https://tesseract-ocr.github.io/tessdoc/Data-Files

这里我们下载chi_sim.traineddata简体中文就好了

https://github.com/tesseract-ocr/tessdata/raw/4.00/chi_sim.traineddata

下载完成后，上传到

 /usr/share/tesseract-ocr/4.00/tessdata

修改为zho.traineddata

现在这个系统就可以支持中文的图片识别了