Il modulo OCR consente l’integrazione di DSpace con un software di OCR esterno. Out-of-box il modulo supporta il motore OCR Open Source Tesseract (https://github.com/tesseract-ocr). Per ogni immagine un curation task consente di estrarne la sua rappresentazione testuale in formato hOCR, e semplice per l’indicizzazione fulltext in SOLR. Tesseract supporta un set molto esteso di lingue tra cui: italiano, francese, spagnolo, tedesco, arabo, cinese semplificato e tradizionale e molti altri (https://github.com/tesseract-ocr/langdata). E’ inoltre possibile istruire il motore OCR con file di training personalizzati per font e lingue specifiche.
In presenza del modulo IIIF Image Viewer, il modulo OCR fornisce inoltre supporto per le IIIF Search API mediante un componente server PHP, soggetto ai medesimi termini di licenza del modulo. Le IIIF Search API consentono l’attivazione della funzionalità search inside nel visualizzatore IIIF con ricerca all’interno delle immagini, navigazione tra i risultati ed highlighting sull’immagine dei testi OCR corrispondente ai termini di ricerca specificati. Il motore di ricerca interno prevede inoltre il suggerimento dei termini durante la digitazione.
