Техническая документация¶

В этом разделе публикуются подробности для разработчиков и админов.

• Для тех, кто хочет творить — для себя или для всех. Уголок разработчика, который мы надеемся достроить до дворца!

• Configure — конфигурирование

• Состав версий — сборки, изменения в модулях.
• Репозитории — что и где лежит
• Сервер дистрибутивов и прочих материалов, документации и пр.
• Тонкости эксплуатации — "грабли" и прочие советы.
• LifeCycle — периодические задачи

Индексирование¶

В нашем проекте к Apache Tika мы добавили свой парсер TesseractParser, который позволяет с помощью Google Tesseract извлечь текст из графических файлов форматов jpeg, gif, tiff, bmp.
Работают и сложные примеры. Например, если файл MS Word содержит текст и картинку (с текстом), то извлечённый текст будет содержать и текст из документа и текст из картинки в том порядке как они расположены в файле.

• Tesseract — пример установки и настройки

Начиная с версии Доцеро 1.2.7 также можно использовать ABBYY FineReader Hot Folders .

Модули сторонних разработчиков¶

• Использование WebDAV в СЭД Доцеро

Apache Tika¶

Модуль занимается извлечением текста из файлов с помощью парсеров (parsers) для множества форматов файлов. На текущий момент поддерживаются:

• HTML
• XML (в том числе XHTML)
• Microsoft Office OOXML (MS Office 2010), Compound Document format (XLS, DOC, PPT)
• ODF
• PDF
• RTF
• Java class files and archives
• MBOX (used by many email archives and Unix-style mailboxes)

более подробно см. http://tika.apache.org/0.8/formats.html