在IRIS中联合运用OCR与NLP技术

根据IDC的报道，超过80%的信息是基于NoSQL的，尤其是文本文件。当数字服务或应用程序不能处理所有这些信息时，企业就会遭受损失。为了面对这一挑战，可以使用OCR技术。OCR使用机器学习和/或训练的图像模式将图像像素转化为文本。这一点很重要，因为许多文件被扫描成PDF格式的图像，或者许多文件中包含有文本的图像。因此，OCR是一个重要的步骤，可以从文件中获得所有可能的数据。

为了实现OCR，可以使用开源解决方案Google Tesseract，这是Python和Java社区中最流行的解决方案。Tesseract支持100多个习语，并且可以用新的模型进行训练以识别车牌、验证码等等。Tesseract是在C++中创建的，可以通过Java套用Tess4J构成一个中介层来使用它。下面的代码展示了调用过程。

private String extractTextFromImage(File tempFile) throws TesseractException {

 

        ITesseract tesseract = new Tesseract();

        tesseract.setDatapath("/usr/share/tessdata/"); //directory to trained models

        tesseract.setLanguage("eng+por"); // choose your language/trained model

 

        return tesseract.doOCR(tempFile); //call tesseract function doOCR() 

                                          //passing the file to be processed with OCR technique

 

    }

为了让IRIS使用这个Java类并从Java获得结果，我们需要