Выпуск веб-приложения для работы с отсканированными документами paperless-ngx 1.8.0

2 вопроса:

1. Этот Тесеракт работает офлайн ?
2. Если джанго внутри то какой минимум питон нужен ? Если снаружи то какой минимум Джанго нужен ?

Этот Тесеракт работает офлайн

да

Если джанго внутри то какой минимум питон нужен ? Если снаружи то какой минимум Джанго нужен ?

Последние джанго требуют питон не ниже 3.9, если не ошибаюсь. Обычно их ставят в env, так что можно поставить и джангу и питон и его расширения нужной версии не трогая систему.

Выпуск веб-приложения

Забавно, что раньше LOR’овцы были готовы друг-другу глотки перегрызть за приставку «веб» в названии и в содержании (самого приложения), теперь дело обстоит иначе. :)

//Возможно, это зависит от самого содержания предмета, хотя вряд ли.

По поводу самого paperless-ngx. Есть у меня куча «физических» книжек, которые были переведены в «электронный» вид с помощью paperless-ngx без каких-либо проблем.

скачивание PDF/A версии документа

Если я правильно понял то pdf/a получается при ocr, и в других случаях его вытащить нельзя.

А так удачи авторам, посмотрел requirements.txt, посочувствовал, к сожалению помимо коммерческого pspdfkit и полукоммерческого-полуAGPL mupdf ни одной нормальной либы которая умеет пдф пока нету, тем более для пистона.

ошибаешься

в чем? Я работал и с тесеракт и пишу на джанге.

Типа для 4.0.х хватит и 3.8 а 4.1 еще не вышла.

Хотя 3.8 официально и в ЕЛ7 есть …

Очешуеть. По пунктам:

1. Скрипты пре/пост обработки используют переменные окружения вместо аргументов командной строки. - что с тобой не так? О_о

2. Настройки веб-интерфейса сохраняются в базе данных - ??? О_О

3. При смене языка документа в интерфейсе появляется подсказка о необходимости перезагрузить страницу - до этого было без подсказки? (сарказм)

4. При возникновении ошибки связи с Redis показывается более подробная информация - было что до этого? О_о

Сама джанга да. Но расширения уже требуют. У меня проблемки возникли с расширением easy-pdf Подозреваю, что здесь без нее не обощлось.

Странно, я лет 5 назад кропал на питоне и там мне понадбилось генерить пдф, так была какая то либа она работала что с 2х что с 3х питоном…

P.S. https://pypi.org/project/reportlab/

Новость скорее про сам софт, чем не про конкретный ченджлог. На лоре эта программа раньше не упоминалась, насколько я могу судить.

Объясните, проблемы с распознаванием кириллицы – это особенность демо-ресурса?

Нашел кем-то любезно загруженный документ, поискал его содержимое, не нашел, посмотрел распознанное? содержимое, а там мешанина из букв:

CMPABNEHHE Ne (a)
romavew, (000 Tipomeu @
nape 1620000, Ceepanosccan on, r Exaepmyer, yn Gocneuses, 40 a)
VHH/KTIM nposaeua 12845678912 / 125456789 28)
Teymornpewmen weroampec

Забавно, что раньше LOR’овцы были готовы друг-другу глотки перегрызть за приставку «веб» в названии и в содержании (самого приложения), теперь дело обстоит иначе. :)

Не путай десктопное приложение и портал для коллективной работы. Никто не гонит на сам ЛОР, что это сайт в браузере.

тогда так и было. Но там по сути обертка для хромиума была. А теперь уже сделали более менее полноценный рендеринг.

Скорее, это особенность движка распознавания.

Я не настоящий сварщик, но насколько мне известно, чтобы Tesseract качественно работал с кириллицей (и не только с ней), его надо обучать.

Вот одна из статей на эту тему. Когда-то попадался более подробный текст, с примерами распознавания именно русских шрифтов и данными (чуть ли не на хабре), но сейчас его найти навскидку не могу.

Немного не понял. Хромиум тут не причем.

Обучать свою модель не обязательно, обязательно указать языки (модели), которые применимы для данного текста. Хорошие модели можно взять готовые прямо у разработчиков тессеракта.

Таки шо, tesseract научился с кирилицей и русским языком работать? Или как обычно - англицкий искаропки, а для кириллицы долбайтесь как хотите, становитесь экспертами по tesseract, разберайтесь как проводить обучение, находите корпус текстов с разметкой или выискивайте готовые модели и разберайтесь как подсовывать их в систему. Да, это должен знать и уметь каждый русскоязычный пользователь, каждый русскоязычный пользователь должен не пользоваться программой, а тратить свои дни на настройку этой дичи.

Таки шо, tesseract научился с кирилицей и русским языком работать?

Нормально спросить не судьба, надо завернуть в сарказм?
Да научился.