TIFF IFilter 无法正确读取 VARBINARY 列中的文本

Question

链接文本我想使用 Windows 2008 Server R2 内置的 TIFF IFilter 全文在 SQL Server 2008 中搜索...还有 R2。

我已通过服务器管理器安装了过滤器，并更新了计算机配置 -> 中的“强制 TIFF IFilter 对 TIFF 文档中的每个页面执行 OCR”本地组策略设置。管理模板 -> OCR 为“启用”。

我还创建了一个全文目录和一个名为“FileData”的表，如下所示：

CREATE TABLE [FileServer].[FileData](
 [FileDataId] [int] IDENTITY(1,1) NOT NULL,
 [FileGUID] [uniqueidentifier] ROWGUIDCOL  NOT NULL,
 [Data] [varbinary](max) FILESTREAM  NOT NULL,
 [Extension] [nvarchar](100) NULL,
 [Filename] [nvarchar](256) NULL,
 [Path] [nvarchar](256) NULL,
 CONSTRAINT [PK_FileData_FileDataId] PRIMARY KEY CLUSTERED 
(
 [FileDataId] ASC
)WITH (PAD_INDEX  = OFF, STATISTICS_NORECOMPUTE  = OFF, IGNORE_DUP_KEY = OFF, ALLOW_ROW_LOCKS  = ON, ALLOW_PAGE_LOCKS  = ON) ON [PRIMARY] FILESTREAM_ON [FILES],
 CONSTRAINT [UX_File_FileGUID] UNIQUE NONCLUSTERED 
(
 [FileGUID] ASC
)WITH (PAD_INDEX  = OFF, STATISTICS_NORECOMPUTE  = OFF, IGNORE_DUP_KEY = OFF, ALLOW_ROW_LOCKS  = ON, ALLOW_PAGE_LOCKS  = ON) ON [PRIMARY]
) ON [PRIMARY] FILESTREAM_ON [FILES]

GO

SET ANSI_PADDING OFF
GO

ALTER TABLE [FileServer].[FileData] ADD  CONSTRAINT [DF_FileData_FileGUID]  DEFAULT (newid()) FOR [FileGUID]
GO

ALTER TABLE [FileServer].[FileData] ADD  CONSTRAINT [DF_FileData_FileData]  DEFAULT (0x) FOR [Data]
GO

当我将文件（例如 PDF 或 Word DOC）插入到该表中时，我可以稍后通过全文搜索来命中文件中的关键字：

我制作了一个巨大的 TIFF 文件，其中包含非常清晰的文本（1024 x 768...大约 12 个单词）并将其导入到 FileData 表中。我能找到里面的每一个字。

SELECT [Path], [Filename], [Data]
FROM [FileServer].[FileData]
WHERE FREETEXT(*, 'Jason') and FREETEXT(Extension, 'tif');

但是，当我使用“真实”TIFF 文件（例如制造商的数据表）时，搜索关键字时得到的结果为零。我不知道为什么，并且没有太多关于 SQL Server 的在线故障排除。

我尝试过使用各种压缩、不压缩等方式保存 .TIFF 文件，但我只是没有运气。我的测试文件中的文本非常清晰，而且仍然很大。我无法想象文件清晰度是问题所在，尽管我认为这是可能的。

为了便于您进行比较，我拍摄了以下两张图像并将其导入：

工作示例文件 损坏的示例文件

工作示例的结果非常好。这些是全文索引中工作示例中的关键字： 3.50 美元 © 0004 08 1989年 2010年 21 21:35:42 235 第282章 3116 3702 40 48109 89 比比皆是 吸收 抽象的 陪伴 获得的 行为 行动 优点 机构 算法 算法 已经 金额 阿姆斯特丹 分析 安 出现了 应用 乔木 工作人员 人工1 任务 乙肝病毒 基于 基础 布克 旅 桶 建筑 乙肝病毒 能力 小心 改变 特征 跳棋 分类器 分类器 关闭 认知的 比较 竞争 复杂的 复杂性 复杂 电脑 面对 迷惑 考虑 连续的 不断地 不断地 做作的 信用 治愈 德 数据 德 体面的 定义的 定义 设计 设计的 设计 发现 讨论 令人不安的 期间 生态的 经济的 埃克西斯 努力 爱思唯尔 文件结束 工程 环境 环境 犯错 甚至 事件 例子 展览 经验 表达的 现存 扩展 脸 面孔 可行的 文件 射击 第一的 流动 下列的 格式 游戏 产生 通用的 遗传的 给予 目标 戈德堡 好的 霍利亚德 荷兰 然而 假设 图像 沉浸 免疫 撞击 隐含地 不准确地 信息 智力 兴趣 干预 介绍 不相关的 杰赫 杰赫 杂志 磅 大的 磅 学习 学习 寿命 长的 机器 哺乳动物 哺乳动物的 哺乳动物的 大规模地 信息 米 密歇根州 新的 NN0004 NN08 nn1989 nn2010 NN21 NN235 NN282 NN3116 NN3702 nn3d5$ NN40 nn48109 NN89 嘈杂 北 没有 小说 新奇 可获得的 经常 一 操作 选项 起初 外部 自己的 纸 平行线 通过 图案 付清 允许 永久 永远地 玩 玩家 戏剧 可能的 漂亮的 问题 提供 出版商 出版商 迅速地 随机地 很少 真实的 实际的 加强 反复 转载 要求 视网膜 评论 修订 机器人 规则 规则 科学 序列 套 显著地 简单的 简单地 小的 疏 系统 系统 标记的 技巧 理论 雷神 蒂夫 时间 tt2135 两次 曲折 二 通常 美国 大学 之上 我们 美国 视觉的 卷 没有 想知道 world

但是破碎样本的结果只是……嗯，空缺。实际 TIFF 图像中没有一个字： 08 2010年 21 21:49:22 文件结束 文件 格式 图像 NN08 nn2010 NN21 标记的 蒂夫 tt2149

如果有人对接下来要尝试什么有任何想法，我洗耳恭听。

Answer 1

尝试将非工作图像转换为黑白图像，并查看是否可以识别更多单词。

已添加

尝试使用 IrfanView（或任何图像工具）将第二张图像的 DPI 设置为 300。然后重试。

显然，这些故障排除步骤并不是永久性的解决方案，它们只是帮助隔离问题。

Answer 2

rwong是正确的。您需要隔离问题。

并非所有 OCR 引擎都可以处理彩色 TIFF 图像，并且更喜欢黑白图像。我猜测 OCR 引擎甚至没有处理您的非工作页面，只是发出一条您看不到的错误消息。

1. 如上所述，尝试将文件另存为黑白 TIFF 图像。
2. 将文件另存为 JPEG 并尝试将图像识别为 JPEG。

我通过 OCR 运行了您的非工作图像，并且能够正确提取大部分文本，因此分辨率不是主要问题。

Answer 3

好吧，事实证明，实际问题是图像的大小。 ITFF IFilter 中的 OCR 甚至没有尝试处理它......太大了。我必须通过反复试验才能发现这一点，并且找不到任何说明传入 TIFF 的最大尺寸/DPI 的文档。有人知道这些规格吗？这篇文章似乎有一些信息：support.microsoft.com/kb/837847 但特定于 Sharepoint，我还没有时间搞乱设置来看看它是否有效。另外，我真的需要去掉尺寸上限。有想法吗？

Answer 4

我发现一些有趣的事情

我使用 C# 做

                    Image tiffFile = Image.FromFile(TiffPath);

                    resultFilePath = Path.Combine(tempFolder, Path.GetFileName(TiffPath));

                    tiffFile.Save(resultFilePath);

并使用将新的 tiff 文件放入数据库中，它可以工作，我不知道为什么，但解决了我的问题