众所周知,长毛象3.0.0版本之后便带有了OCR功能。 如今长毛象版本已经到3.1.2了,但是OCR功能在 bgme.bid 域名上仍然无法使用。

这可太不妙了,于是就有了这篇博文。

问题一:bgme.bid 域名无法使用 OCR

/images/mastodon-ocr/bgme.bid-ocr.png

bgme.bid OCR 出问题的截图

问题的开端便是 bgme.bid 域名的 OCR 总是用不了,每次按下 Detect text from picture 按钮后,页面便卡在了那里,从来都没有识别成功过。

我一直以为这是因为长毛象OCR功能有问题,但直到有一天,我发现 nebula 实例的OCR可以正常工作。随后便到 bgme.me 域名试了一下,发现也是可以工作的。 于是按下 F12,查看网络请求。 搞了半天,原来是我的 nginx 设置有问题呀!

/images/mastodon-ocr/bgme.bid-network.png

bgme.bid 设置有问题

将错误的 nginx 设置修正,问题解决。

问题二:长毛象OCR不能设别中文

虽然前一个问题解决了,但是紧接着又发现了新问题。长毛象的OCR竟然不能识别中文。

/images/mastodon-ocr/ocr-chinese.png

识别中文文本返回乱码

这个问题有一点难办,到 mastodon 主线用相关关键词搜索一番,并没有找到什么有用的信息,识别中文乱码这件事根本就没有人反馈

中文长毛象用户就这么少吗?

或者就我一个人遇到了这个问题?抑或者说,大家根本就不用OCR功能?


既然没能找到相关的issue,那就只能翻代码了。

找到添加OCR功能的那个PR。 从这个PR中可以看出,Mastodon的客户端OCR是利用 tesseract.js 实现的。

找到 Mastodon OCR实现的相关代码, 对照 tesseract.js文档

我们可以发现 Mastodon 的OCR并没有显式的指出语言,因此默认采用英语进行识别。 Mastodon 的 lang-data 目录 , 只有 eng.traineddata.gz 一个文件也从侧面证实了我的看法。

综上,要解决中文OCR乱码问题,只需要在OCR识别相关代码中指出识别语言,同时在 lang-data 目录下添加相应的训练模型即可。 各种语言的识别模型可以从这里下载。