topic Re: Simple OCR + Alfresco in Alfresco Archive

Simple OCR + Alfresco

slcunha — Mon, 17 Jul 2017 22:04:45 GMT

Sou novo no grupo e no uso do alfresco. Tenho uma instalação do alfresco em um VPS Linux para testes, e recentemente estou empacado no uso do Simple OCR, um add on do Alfresco.Ele faz o que promete, passa o ocr em um documento recém scaneado, assim consigo realizar buscas dentro do documento, mas du

Re: Simple OCR + Alfresco

douglascrp — Tue, 18 Jul 2017 01:07:50 GMT

Boa noite.

Eu já testei o componente que você comentou, e não observei o comportamento que você descreveu.

Você poderia dar mais detalhes de como exatamente você configurou?

Qual versão exata do addon e do Alfresco você está usando?

Você vê alguma mensagem de erro nos logs do Alfresco?

Re: Simple OCR + Alfresco

slcunha — Tue, 18 Jul 2017 01:48:50 GMT

Alfresco Community - 5.2.0 (r135134-b14)

Simple OCR 1.1.1 ( amp file - GitHub - keensoft/alfresco-simple-ocr: Simple OCR action for Alfresco )

Ubuntu 16.04.2 LTS

# cat > ocr.sh

export PATH=/usr/bin:$PATH

pdfsandwich $@

# chmod +x ocr.sh

/opt/alfresco-community/tomcat/shared/classes/alfresco-global.properties

#img.root=/opt/alfresco-community/common

#img.dyn=${img.root}/lib

#img.exe=${img.root}/bin/convert

img.root=/usr/share/doc/imagemagick

img.exe=/usr/bin/convert

img.config=${img.root}

img.coders=/usr/lib/x86_64-linux-gnu/ImageMagick-6.8.9/modules-Q16/coders

img.dyn=/usr/share/ghostscript/9.18/lib

img.gslib=/usr/share/ghostscript/9.18/lib

### PDF Sandwich ###

ocr.command=/root/ocr.sh

ocr.output.verbose=true

ocr.output.file.prefix.command=-o

ocr.extra.commands=-verbose -lang por+eng

ocr.server.os=linux

/opt/alfresco-community/tomcat/logs/catalina.out

2017-07-17 22:46:30,255 INFO [solr.component.AsyncBuildSuggestComponent] [Suggestor-alfresco-1] Building suggester index for: shingleBasedSuggestions
2017-07-17 22:46:31,415 INFO [solr.component.AsyncBuildSuggestComponent] [Suggestor-alfresco-1] Built suggester shingleBasedSuggestions, took 1159 ms
2017-07-17 22:46:58,963 INFO [alfresco.ocr.OCRTransformWorker] [defaultAsyncAction3] EXIT VALUE: 0
2017-07-17 22:46:58,964 INFO [alfresco.ocr.OCRTransformWorker] [defaultAsyncAction3] STDOUT: pdfsandwich version 0.1.4
Checking for convert:
convert -version
Version: ImageMagick 6.8.9-9 Q16 x86_64 2017-05-26 http://www.imagemagick.org
Copyright: Copyright (C) 1999-2014 ImageMagick Studio LLC
Features: DPC Modules OpenMP
Delegates: bzlib cairo djvu fftw fontconfig freetype jbig jng jpeg lcms lqr ltdl lzma openexr pangocairo png rsvg tiff wmf x xml zlib

Checking for unpaper:
unpaper -version
6.1
Checking for tesseract:
tesseract -v
Checking for gs:
gs -v
GPL Ghostscript 9.18 (2015-10-05)
Copyright (C) 2015 Artifex Software, Inc. All rights reserved.
Input file: "/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650.pdf"
Output file: "/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650_ocr.pdf"
Number of pages in inputfile: 1
More threads than pages. Using 1 threads instead.
Processing page 1.
identify -format "%w\n%h\n" "/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650.pdf[0]"
convert -type Bilevel -density 300x300 "/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650.pdf[0]" /tmp/pdfsandwich2abee6.pbm
unpaper --overwrite --no-grayfilter --layout none /tmp/pdfsandwich2abee6.pbm /tmp/pdfsandwich36967b_unpaper.pbm
Processing sheet #1: /tmp/pdfsandwich2abee6.pbm -> /tmp/pdfsandwich36967b_unpaper.pbm
tesseract /tmp/pdfsandwich36967b_unpaper.pbm /tmp/pdfsandwich47daff -l por+eng pdf
gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -dDEVICEWIDTHPOINTS=595 -dDEVICEHEIGHTPOINTS=842 -dPDFFitPage -o /tmp/pdfsandwich165a75.pdf /tmp/pdfsandwich47daff.pdf
OCR done. Writing "/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650_ocr.pdf"
gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -sOutputFile="/opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_4128368533836054650_ocr.pdf" /tmp/pdfsandwich165a75.pdf

Done.

2017-07-17 22:46:58,964 INFO [alfresco.ocr.OCRTransformWorker] [defaultAsyncAction3] STDERR: tesseract 3.04.01
leptonica-1.73
libgif 5.1.2 : libjpeg 8d (libjpeg-turbo 1.4.2) : libpng 1.2.54 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.4 : libopenjp2 2.1.0

[image2 @ 0x12b5900] Encoder did not produce proper pts, making some up.
Tesseract Open Source OCR Engine v3.04.01 with Leptonica

Re: Simple OCR + Alfresco

douglascrp — Tue, 18 Jul 2017 18:12:38 GMT

I did a research on the message [image2 @ 0x12b5900] Encoder did not produce proper pts, making some up.

It seems it is a problem with unpaper, so I believe it would be better if you try to fix it first, as the problem is not related with the addon.

The same message appear in other projects using the unpaper project.

It would be good to try to install another version and check if it fixes the problem you are facing with.

Re: Simple OCR + Alfresco

vitorsrosa — Fri, 22 Dec 2017 13:49:25 GMT

Bom dia!

Eu estou com problemas nesse mesmo addon.

Porém, meu problema é que quando clico no botão OCR dentro do Alfresco, ele apresenta a seguinte mensagem de erro:

Some error happened when processing your request, OCR has not been applied to the document

Eu instalei o pdfsandwich pra intermediar a conversão dos documentos. porém, eu não estou conseguindo deixá-los indexaveis.

Alguém poderia me ajudar com isso?

Desde já, agradeço.

Re: Simple OCR + Alfresco

douglascrp — Fri, 22 Dec 2017 15:33:15 GMT

Boa tarde.

Quando erros assim acontecem, procure sempre compartilhar os arquivos de log, pois as mensagens na interface do usuário não ajudam em nada para descobrir os problemas.

Você pode usar o https://pastebin.com/

Re: Simple OCR + Alfresco

vitorsrosa — Fri, 22 Dec 2017 16:51:23 GMT

Tive um pouco de dificuldade em usar esse pastebin... rsrs

Estou colocando anexo os logs logo após reiniciar o alfresco. Se quiser ver mais algum arquivo, só falar que responderei prontamente.

Mais uma vez, obrigado

Re: Simple OCR + Alfresco

douglascrp — Thu, 28 Dec 2017 13:00:17 GMT

Bom dia.

Ainda não vejo seus arquivos de log.

Compartilhe em outro local e envie o link por aqui.

Re: Simple OCR + Alfresco

vitorsrosa — Thu, 28 Dec 2017 13:26:18 GMT

Parei um poquinho pra entender esse pastebin e copiei la..

Seguem os links:

alfresco.log

catalina.log

catalina.out

OBS: São os mesmos logs que postei anteriormente... Coletados logo após o reinicio do serviço alfresco.

Se precisar de algo mais, me avise que responderei o mais rápido possível.

Re: Simple OCR + Alfresco

douglascrp — Wed, 03 Jan 2018 13:46:49 GMT

Ah, parece que você instalou os 2 amps no share.

Veja:

simple-ocr-repo Platform Jar Module - SDK 3, 2.3.1, Platform JAR Module (to be included in the alfresco.war) - SDK 3

simple-ocr-share Share Jar Module - SDK 3, 2.3.1, Share JAR Module (to be included in the share.war) - SDK 3

Você deveria, como diz no log, incluir o simple-ocr-repo somente no Alfresco, e o simple-ocr-share somente no Share.

Me diga em que pastas exatamente você colocou os amps.

Re: Simple OCR + Alfresco

vitorsrosa — Wed, 03 Jan 2018 16:02:24 GMT

Boa tarde Douglas.

Eu instalei no seguinte caminho:

/opt/alfresco-community/modules/share

não entendi muito bem a sua observação... no caso, onde seriam os diretórios corretos?

Re: Simple OCR + Alfresco

douglascrp — Wed, 03 Jan 2018 17:06:08 GMT

Então você usou o release como jar, e não amp.

Nesse caso, faça o seguinte:

Deixe apenas o arquivo simple-ocr-repo.jar em /opt/alfresco-community/modules/platform

E apenas o arquivo simple-ocr-share.jar em /opt/alfresco-community/modules/share

Reinicie o Alfresco e deve funcionar.

Re: Simple OCR + Alfresco

vitorsrosa — Wed, 03 Jan 2018 19:24:42 GMT

Fiz o que me disse e ele parou de apresentar a mensagem. Porém, mesmo assim, o programa não converte o documento.

Segue o log após clicar no botão. percebi que há um erro de java mas não tenho a menor ideia de como resolver rsrsrs

catalina.log

Re: Simple OCR + Alfresco

douglascrp — Wed, 03 Jan 2018 19:33:25 GMT

O problema está na instalação que você fez dos componentes que o OCR precisa.

Veja se o que foi explicado nesta página te ajuda FAQ · keensoft/alfresco-simple-ocr Wiki · GitHub

Do lado do Alfresco, está tudo certo.

Re: Simple OCR + Alfresco

bazorante14 — Fri, 05 Jan 2018 11:38:28 GMT

Bom dia Douglas. Estou com este problema "Some error happened when processing your request, OCR has not been applied to the document" quando clico no menu ocr. No meu caso não existe o diretório /opt/alfresco-community/modules/platform , então coloquei o simple-ocr-repo.jar e o simple-ocr-share.jar em /opt/alfresco-community/modules/share. Devo criar o diretório platform?
Desde já grato pela atenção.

Re: Simple OCR + Alfresco

douglascrp — Fri, 05 Jan 2018 11:47:13 GMT

Bom dia.

Sim, é preciso criar caso não exista, mas é preciso também configurar o Tomcat onde o Alfresco está rodando para que ele procure por módulos nessa pasta.

Use os dois arquivos a seguir como modelo:

alfresco-ubuntu-install/alfresco.xml at master · loftuxab/alfresco-ubuntu-install · GitHub

alfresco-ubuntu-install/share.xml at master · loftuxab/alfresco-ubuntu-install · GitHub

Esses arquivos devem estar em <alfresco>/tomcat/conf/Catalina/localhost

Re: Simple OCR + Alfresco

bazorante14 — Fri, 05 Jan 2018 12:50:00 GMT

Ambos estao da seguinte forma

share.xml
<?xml version='1.0' encoding='utf-8'?>
<Context crossContext="true">
<Loader className="org.apache.catalina.loader.VirtualWebappLoader" virtualClasspath="${catalina.base}/../modules/share/*.jar" />
</Context>

alfresco.xml

<?xml version='1.0' encoding='utf-8'?>
<Context crossContext="true">
<Loader className="org.apache.catalina.loader.VirtualWebappLoader" virtualClasspath="${catalina.base}/../modules/platform/*.jar" />
</Context>

Criei a pasta platform e movi o simple-ocr-repo.jar do share para o platform.

Meu /opt/alfresco-community/tomcat/shared/classes/alfresco-global.properties foi adicionado:

###Configuracao OCR

ocr.command=/usr/bin/pdfsandwich
ocr.output.verbose=true
ocr.output.file.prefix.command=-o

ocr.extra.commands=-verbose -lang spa+eng+fra
ocr.server.os=linux

Já instalei também o pdfsandwich e suas dependências. Estou há 3 dias pesquisando já perdendo a esperança.

Re: Simple OCR + Alfresco

douglascrp — Fri, 05 Jan 2018 13:25:48 GMT

Bom, aparentemente está tudo certo agora, e com essa mudança, você deve ter algo indicando o problema nos arquivos de log.

Compartilhe eles aqui e tentarei te ajudar.

Re: Simple OCR + Alfresco

bazorante14 — Mon, 08 Jan 2018 20:37:49 GMT

Segue o log em anexo.

Re: Simple OCR + Alfresco

bazorante14 — Mon, 08 Jan 2018 20:53:40 GMT

Erro no catalina.out
Checking for convert:
convert -version
Version: ImageMagick 7.0.5-2 Q16 x86_64 2017-04-04 http://www.imagemagick.org
Copyright: © 1999-2017 ImageMagick Studio LLC
License: http://www.imagemagick.org/script/license.php
Featur
err: tesseract: /opt/alfresco-community/common/lib/libtiff.so.5: no version information available (required by /usr/lib/liblept.so.4)
tesseract: /opt/alfresco-community/common/lib/libjpeg.so.62: no version information available (required by /usr/lib/lible
at es.keensoft.alfresco.ocr.OCRTransformWorker.transform(OCRTransformWorker.java:86)
at es.keensoft.alfresco.ocr.OCRExtractAction.executeImplInternal(OCRExtractAction.java:181)
... 10 more
Caused by: org.alfresco.service.cmr.repository.ContentIOException: 00080083 Failed to perform OCR transformation:
Execution result:
os: Linux
command: /usr/bin/pdfsandwich -verbose -lang spa+eng+fra /opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_6630307091445749108.pdf -o /opt/alfresco-community/tomcat/temp/Alfresco/OCRTransformWorker_source_6630307091445749108_ocr.pdf
succeeded: false
exit code: 2
out: pdfsandwich version 0.1.6
Checking for convert:
convert -version
Version: ImageMagick 7.0.5-2 Q16 x86_64 2017-04-04 http://www.imagemagick.org
Copyright: © 1999-2017 ImageMagick Studio LLC
License: http://www.imagemagick.org/script/license.php
Featur
err: tesseract: /opt/alfresco-community/common/lib/libtiff.so.5: no version information available (required by /usr/lib/liblept.so.4)
tesseract: /opt/alfresco-community/common/lib/libjpeg.so.62: no version information available (required by /usr/lib/lible
at es.keensoft.alfresco.ocr.OCRTransformWorker.transform(OCRTransformWorker.java:79)