在处理数字化文档存储和检索的工作中，经常遇到需要将大量图像文件（包括TIFF、PDF、JPEG、BMP等）转换为可搜索的文本格式的问题。本文将介绍如何利用OCR（光学字符识别）技术，结合Microsoft IFilter技术，实现对这些图像文件的索引。虽然本文主要讨论的是与Microsoft Windows SharePoint Services 2003的集成，但所介绍的方法同样适用于其他使用Microsoft索引技术的产品，如Microsoft Search、桌面搜索、SQL Server搜索以及通过插件与Google桌面搜索集成。
在之前参与的一个项目中，需要将旧文档扫描成PDF文件进行存储。同时，还有一个专门的团队负责为搜索引擎提供标签，以便用户能够找到这些图像文档。整个过程不仅繁琐、劳动密集，而且容易出错。这促使开始探索更有效的解决方案。
首先搜索了开源的OCR产品，并迅速锁定了TESSERACT。TESSERACT是HP的一个被遗弃的项目，从1985年到1995年一直在开发。后来，它被转移到了开源社区，据了解，现在Google正在对其进行开发。凭借这样的背景，TESSERACT在OCR识别和准确性方面得分非常高。下载并稍微挣扎了一下之后，成功地让TESSERACT工作起来了。挣扎的部分是，它的首页声称其基础输入格式是TIFF文件。也许是TIFF文件有问题，但只能在BMP文件上让它工作。
既然已经有了一个可以将BMP文件转换为文本的OCR，那么如何从图像PDF文件中提取文本呢？经过进一步的搜索，选择了ImageMagick。这是另一个出色的开源工具，可以将任何文件转换为图像。它可以直接将TIFF文件转换为位图，但要将PDF文件转换，需要GhostScript。
安装了该工具后，可以轻松地将任何文件（特别是PDF和TIFF）转换为位图，然后从位图中提取文本。唯一的考虑是如何区别对待包含文本的PDF文件——毕竟，OCR计算密集型，即使在完美的图像质量和分辨率下也容易出错。因此，又进行了一次快速搜索，找到了PDFTOTEXT。感谢开源社区！有了这些工具，可以轻松地从PDF中提取文本。然而，对于纯图像PDF，已经有了解决方案！
接下来，花了15分钟设置了一个批处理脚本来自动化这个过程：
check the file extension
if file is a PDF file
try to extract text out of it
if there is more than certain amount of text in the file - done!
if there is no text, convert first page into bitmap
run OCR on the bitmap
For any other file type, convert file into bitmap
Run OCR on the bitmap
解压附带的项目后，查看bin\OCR.BAT文件。它将在源文件所在的目录中创建一个临时文件，文件名与源文件相同，扩展名为'.txt'。例如：
ocr.bat c:\temp\xyz.pdf
将生成c:\temp\xyz.pdf.txt文件。
现在，有一个简单的批处理过程来从任何图像和/或PDF文件中提取文本。要使其在SharePoint（或任何其他使用Microsoft索引技术的产品）中可用，需要创建一个IFilter组件。这是一个插件，Microsoft索引用于搜索专业文件格式（例如，Office、PDF等）。在这里，有一种正确的方法和一种快速的方法。必须承认罪过——选择了快速的方法。问题是，使用的所有组件都有C/C++ API，要正确地做，应该把所有东西整合在一起，创建一个组件。相反，决定只运行设置的批处理过程。这有点慢，但至少，不必担心不熟悉代码的内存泄漏和页面错误。
Microsoft IFilter模板将为索引服务进行适当的注册，但SharePoint需要额外的条目。在下载中，有一个bin\wss_reg.reg文件将注册与SharePoint相关的条目。然而，建议在尝试注册wss_reg文件之前，备份HKLM\SOFTWARE\Microsoft\Shared Tools\Web Server Extensions\12.0键——以防万一，知道的。
下载并安装GhostScript：
下载并安装VC++ 2008可再发行包：
ImageMagic转换工具包含在下载中——但可以获取最新版本（如果位置不同，请更新OCR.BAT路径）
PDFTOTEXT包含在下载中——但可以获取最新版本（如果位置不同，请更新OCR.BAT路径）
备份HKLM\SOFTWARE\Microsoft\Shared Tools\Web Server Extensions\12.0注册表条目
注册bin\OcrFilt.dll和bin\wss_reg.reg
重新启动搜索服务并运行Stsadm -o spsearch -action fullcrawlstart以强制重建SharePoint搜索数据库
使用的是WSS SP2。如果SharePoint版本不同，WSS注册条目可能会有所不同。请检查是否有HKLM\SOFTWARE\Microsoft\Shared Tools\Web Server Extensions\12.0\Search\Applications\e5ecafdd-0ed4-42fa-b663-c38046ae5ec8键。如果没有，那么wss-reg.reg文件可能需要更新。
SharePoint在HKLM\SOFTWARE\Microsoft\Shared Tools\Web Server Extensions\12.0\Search\Applications\e5ecafdd-0ed4-42fa-b663-c38046ae5ec8\Gather\Search\Extensions\ExtensionList中存储了一个它能够处理的扩展名的编号列表。PDF的条目不应该在那里，它需要用下一个唯一的数字注册。大多数时候，应该是38。请确保编号上升到37。如果有什么不对劲，请检查并更新wss_reg。
安装过滤器后，需要重新索引现有内容或删除/添加文件。在索引完成之前，将无法找到条目。OcrFilt.dll将为它需要索引的每个文件在事件日志中创建条目，所以可以看到进度。不得不重新启动服务，然后使用stsadm。删除并重新添加文件也可以工作。
出于性能原因，只有PDF/TIFF文件的第一页被OCR-ed。如果想要OCR整个文档，还有额外的ImageMagic工具可以在OCR之前将多个图像组合在一起。OCR.BAT将尝试在输入图像所在的文件夹中创建一个文本文件。因此，索引过程应该有适当的权限到该文件夹。由于这是WSS创建临时文件的地方，所以不应该有问题；然而，由于权限问题很难排除，这是需要记住的。
尽管可以OCR任何图像类型，但iFilter只注册PDF和TIFF扩展名。如果想处理其他文件类型，OcrFilt.dll注册部分需要修改。
尽管目前只与SharePoint一起使用它，但这个解决方案还有其他非常有趣的应用：
将iFilter配置为SQL-Server的插件，允许索引存储在BLOB列中的PDF文件。
结构化文档。使用的ImageMagic转换工具有能力提取图像的一部分。很容易改变批处理文件，例如，提取扫描账单中包含名称和日期的部分，以组织计费部门的归档。