文 | 管云@中兴大数据

提到OCR技术大家一定不陌生，OCR(Optical Character Recognition)：光学字符识别，是指对图片文件中的文字进行分析识别，获取的过程。OCR的概念是在1929年由德国科学家Tausheck最先提出来的，后来美国科学家Handel也提出了利用技术对文字进行识别的想法。这种技术现在生活中已经普遍运用，停车场的车牌识别，马路上的电子摄像等。

Tesseract无疑是一个比较优秀的开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后经由Google进行改进，消除bug，优化，重新发布。

在Apache Tika 1.7中可以使用TesseractOCR解析器。Solr 5.X开始支持Tika 1.7。

下面我们开始一步步的在CentOS中进行实现我们在solr中为图片中的文本创建索引并搜索：（如果有网站访问不了的，可以在网上直接搜软件名下载）

1. 安装依赖（我们要支持png，jpeg，tiff文件格式）：

2. 下载Leptonica（一个图片处理库）：

3. 下载Tesseract（OCR识别引擎）：

4. 同时当安装Tesseract的时候，需要把语言包的数据放到 TESSDATA_PREFIX目录中：

5. 编译leptonica：

6. 编译Tesseract：

7. 下载tesseract语言包并放到上面定义的TESSDATA_PREFIX目录中：

8. 测试Tesseract ，我们使用如下的图，如果有问题的话，说明leptonica和Tesseract安装是有问题的，只有这边的测试成功了，才能到solr中去成功使用。

9. 把这张图上传到系统中，在系统中执行如下命令：

如果你看到如上的文本说明你前面的步骤都是对的，可以到继续到solr中去了。

10. 启动solr，Solr的 solrconfig.xml配置中提取请求处理器需要包含如下的请求名：

11. 上传图片文件到solr中并在solr中创建该图片的solr索引。

• 进入到solr的管理界面，选择我们要上传文件的core

• 点Documents

• 在 Request-Handler (qt) 域，输入     /update/extract

• 在 Document Type的下拉框中，选文件上传File     Upload

• 选择 jpg 文件

• 在Extracting Req.Handler 参数中，输入下列参数：

如图：

点击提交，这样就完整的建好了图片的索引了。

12. 下面我们会看到从solr中查出来的信息中包含属性内容attr_content里面包含的文本和图文中的是一致的：

如果在开发一个web查询服务界面，直接查内容中的分词，也就完全实现图片内容的查询了，是不是很酷，赶紧用自己的图片去试一下吧。