如何获得 Alpine linux 的 tesseract 常规英语语言 package？

Question

我正在构建一个基于 alpine 的 docker 图像，它依赖于 OCR 的 tesseract。 tesseract 网站列出了两种英语风格，eng（现代英语）和 enm（中古英语）。 但是，我在 Alpine 上安装 eng 版本时遇到问题。

我的 Dockerfile 具有以下内容：

FROM eclipse-temurin:17-jre-alpine as tesseract-master

RUN apk update && apk add tesseract-ocr
RUN apk update && apk add tesseract-ocr-data-eng

这找不到eng语言package。在构建过程中，列出了repo ，很明显它没有eng package。

我可以安装 enm package，但我觉得会有问题，因为它是针对中英文的。

有没有人在 Alpine 上成功安装了 eng package？

Answer 1

如果您查看一种语言的那些包中的内容，例如tesseract-ocr-data-enm ，您会很快意识到它只包含一个文件：

• /usr/share/tessdata/enm.traineddata

^{来源： https://pkgs.alpinelinux.org/contents?name=tesseract-ocr-data-enm&branch=v3.17&arch=aarch64}

现在，如果您对它进行逆向工程，您可以尝试找到哪个 package 确实包含文件/usr/share/tessdata/eng.traineddata ，毫不奇怪，它是默认的 package: tesseract-ocr 。

^{来源： https://pkgs.alpinelinux.org/contents?file=eng.traineddata&branch=v3.17&arch=aarch64}

因此，您的Dockerfile应该只是：

FROM eclipse-temurin:17-jre-alpine as tesseract-master

RUN apk add --no-cache \
      tesseract-ocr