Fessの15.10向けクローラーで、WebP画像からOCRで文字を取り出せるようになりました。
Tesseractを用意し、クロール対象に含める
OCRの初期値は crawler.document.ocr.enabled=false、言語は eng、タイムアウトは120秒です。クローラープロセスが実行できる場所にTesseractを設置し、WebP対応のLeptonicaと認識したい言語のデータを用意します。日本語を認識する場合は日本語データを追加し、crawler.document.ocr.language=jpn を指定します。全体で使う場合は crawler.document.ocr.enabled=true にします。
ファイルクロールでは画像も対象にできます。WebクロールではURLの除外パターンに対象画像が一致していないか確認します。取得できるファイルサイズにも上限があります。すでに索引にある画像は、差分クロールが取得を省く場合があるため、最終更新日時の確認を一時的に無効にするなど、再取得される形で試します。
メタデータとOCR本文を区別して確認する
WebPのメタデータは従来のパーサーで読み取り、有効なときだけTesseractでOCR本文を追加します。TesseractがなければOCRは実行されません。短い文字列しかない画像が上下逆の場合、向きを判定できないことがあります。アップグレード後は対象のWebPを再クロールし、画像にだけ書いた固有の単語で検索して本文が取り込まれたか確認できます。