Bessere tesseract-Trainingsdaten „tessdata_best“ in paperless-ngx (Docker) nutzen

paperless-ngx nutzt zur Texterkennung tesseract-ocr über OCRmyPDF. Für tesseract-ocr gibt es dabei zwei unterschiedliche Arten von Texterkennungs-Trainingsdaten (tessdata_fast, tessdata_best). Wobei die standardmäßig im paperless-ngx Docker-Image installierten immer die bereitgestellten „tessdata_fast“-Trainingsdaten sind. Diese sind zügig, aber haben auch eine höhere Fehlerrate in der Erkennung.

Um für paperless-ngx „tessdata_best“ zu nutzen, empfiehlt sich eine ganz simple Lösung: Wir laden die Trainingsdaten herunter, legen sie in ein Verzeichnis unserer Wahl und mounten sie in den paperless-ngx Container an der jeweilig korrekten Stelle:

wget https://github.com/tesseract-ocr/tessdata_best/raw/main/deu.traineddata
wget https://github.com/tesseract-ocr/tessdata_best/raw/main/ukr.traineddata
wget https://github.com/tesseract-ocr/tessdata_best/raw/main/eng.traineddata

Und im docker-compose.yml:

services:
  webserver:
    image: ghcr.io/paperless-ngx/paperless-ngx:latest
    restart: unless-stopped
    depends_on:
      - broker
      - gotenberg
      - tika
    ports:
      - "127.0.0.1:8000:8000"
    volumes:
      - data:/usr/src/paperless/data
      - media:/usr/src/paperless/media
      - ./export:/usr/src/paperless/export
      - ./consume:/usr/src/paperless/consume
      - ./deu.traineddata:/usr/share/tesseract-ocr/5/tessdata/deu.traineddata
      - ./ukr.traineddata:/usr/share/tesseract-ocr/5/tessdata/ukr.traineddata
      - ./eng.traineddata:/usr/share/tesseract-ocr/5/tessdata/eng.traineddata
    env_file: docker-compose.env
    environment:
      PAPERLESS_REDIS: redis://broker:6379
      PAPERLESS_TIKA_ENABLED: 1
      PAPERLESS_TIKA_GOTENBERG_ENDPOINT: http://gotenberg:3000
[...]

Nach einem simplen

docker compose up -d

ist die Änderung aktiv. Sie gilt nun für alle neu eingelesenen Dokumente bzw. wird auch zum Einsatz kommen, wenn für die Dokumente unter „Aktionen“ – „Erneut verarbeiten“ die Verarbeitung neugestartet wird.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert