OCR-Durchführung mit gemischten Schrifttypen

Dies ist die technische Dokumentation für das Goobi-Plugin zur Durchführung von OCR mit gemischten Schrifttypen. Die Markierung der Bilder sollte mit dem Plugin "OCR Seitenauswahl" erfolgen.

OCR-Durchführung mit gemischten Schrifttypen

Übersicht

Name	Wert
Identifier	intranda_step_mixedocr
Repository	https://github.com/intranda/goobi-plugin-step-mixed-ocr
Lizenz	GPL 2.0 oder neuer
Letzte Änderung	25.07.2024 11:56:35

Einführung

Die vorliegende Dokumentation beschreibt die Installation, Konfiguration und den Einsatz eines Plugins zur OCR-Durchführung mit gemischten Schrifttypen. Dieses Plugin ist nur in Zusammenarbeit mit dem Plugin "OCR Seitenauswahl" nützlich.

Installation und Konfiguration

Zur Nutzung des Plugins müssen folgende Dateien installiert sein:

/opt/digiverso/goobi/plugins/step/plugin_intranda_step_mixedocr-base.jar
/opt/digiverso/goobi/config/plugin_intranda_step_mixedocr.xml

Die erste Datei enthält das eigentliche Plugin. Die zweite Datei ist die Konfigurationsdatei des Plugins.

Voraussetzung für die Verwendung des Plugins ist die korrekte Installation und Konfiguration des Plugins sowie die korrekte Einbindung des Plugins in die gewünschten Arbeitsschritte des Workflows. Zusätzlich wird noch das Plugin für die manuelle Auswahl der Seiten benötigt (intranda_step_ocrselector).

Überblick und Funktionsweise

Nachdem das Plugin installiert und Konfiguriert wurde, muss es noch in Goobi workflow zu einem Arbeitsschritt hinzugefügt werden.

Konfiguration des Schritts in Goobi Workflow

Das Plugin wird üblicherweise automatisch ausgeführt, deshalb sollte der Haken bei Automatische Aufgabe gesetzt sein. Außerdem muss das Plugin intranda_step_mixedocr unter Plugin für Arbeitsschritt ausgewählt werden.

Konfiguration

Der Inhalt de Konfigurationsdatei plugin_intranda_step_mixedocr.xml muss folgendermaßen aufgebaut sein:

<config_plugin>
<!--
        order of configuration is:
          1.) project name and step name matches
          2.) step name matches and project is *
          3.) project name matches and step name is *
          4.) project name and step name are *
-->
    <config>
        <!-- which projects to use for (can be more then one, otherwise use *) -->
        <project>*</project>
        <step>*</step>

        <template>template.xml</template>
        <itmUrl>http://localhost:8080/itm/service</itmUrl>
        <!--  this must be without a trailing slash -->
        <callbackBaseUrl>http://localhost:8080/goobi</callbackBaseUrl>
        <useOrigDir>false</useOrigDir>
        <serverType>intranda-tesseract</serverType>
    </config>

    <config>
        <!-- which projects to use for (can be more then one, otherwise use *) -->
        <project>My special project</project>
        <project>Archive_Project</project>
        <step>OCR</step>

        <template>template_pdfonly.xml</template>
        <itmUrl>https://itm.mydomain.tld/itm/service</itmUrl>
        <callbackBaseUrl>https://goobi.mydomain.tld/goobi</callbackBaseUrl>
        <useOrigDir>true</useOrigDir>
        <serverType>intranda-tesseract</serverType>
    </config>

Es sind mehrere Konfigurationen für verschiedene Projekte und Schitte möglich. Diese werden per <project> und <step> festgelegt. Es ist auch die Wildcard * möglich, die für alle Schritte bzw. Projekte greift. Die eigentliche Konfiguration findet dann innerhalb der <config> Elemente statt.

Das <template> ist das Template, das der TaskManager benutzen soll, die <itmUrl> ist die URL zum Endpoint des TaskManagers, der neue Jobs annimmt. Die <callbackBaseUrl> muss eine URL sein, die vom TaskManager aus erreicht werden kann und zur Goobi-Installation zeigt, in der das Plugin installiert ist. Sie wird benötigt, um den Schritt nach der erfolgreichen OCR wieder zu schließen. Das Element <useOrigDir> bestimmt, ob für die OCR die Masterbilder oder die Derivate genutzt werden sollen. Der Eintrag <serverType> ist der im intranda LizenzServer eingetragene Wert für den Server, über den die OCR durchgeführt werden soll. Dieser Wert kann bei intranda angefragt werden oder bei der Nutzung eines anderen OCR Providers ausgelassen werden.

Zusätzlich zu dieser Plugin-spezifischen Konfiguration muss noch eine Freigabe in der Datei /opt/digiverso/goobi/config/goobi_rest.xml erfolgen, damit der TaskManager dem Plugin die erfolgreiche Abarbeitung der Jobs melden kann:

<endpoint path="/plugins/ocr.*">
    <method name="post">
        <allow netmask="127.0.0.0/8" token="mytoken"/>
    </method>
</endpoint>