第二阶段是90年代初期，中文ocr由实验室走向市场，初步实用，在实际的汉字识别输入应用条件下，检验和考查这些研究成果。这一阶段形成了一些初步实用的印刷汉字识别系统开始进入市场。
第三阶段也就是目前，主要是印刷体识别技术和系统性能的提高，包括汉英双语混排识别率的提高和稳健性的增强。
其中，从1986年初到1988年是数字图像识别和联机数字图像识别研究的丰收期。数字图像识别是汉字识别研究的主要内容。自1986年以来，各种识别软件和系统纷纷涌现，某些识别装置可以初步使用，它们的主机全部采用微机。主要的性能指标为：1.识别字数;2.识别率：对中等质量印刷问题达到95%-99%;3.识别速度;4.识别字体、字号等等。这些系统都配备了方便的`用户界面，从版面分析、文本识别到识别结果的处理，形成了一个完整的识别输入系统。印刷体印刷汉字识别的研究，也在进行中，自x年以来，己有若干个软件与系统成功研制并参与鉴定。
同国外相比，我国的数字图像识别研究起步较晚。但由于我国政府从80年代开始对汉字自动识别输人的研究给予了充分的重视和支持，经过科研人员于多年的辛勤努力，数字图像识别技术的发展和应用有了长足进步，从简单的单体识别发展到多种字体混排的多体识别，从中文印刷材料的识别发展到中英文混排印刷材料的双语识别。各个系统可以支持简、繁体汉字的识别，解决了多体多字号混排文本的识别问题，对于简单的版面可以进行有效的定量分析，同时汉字识别率已达到了98%以上。
当前，数字图像识别研究的主要目的是提高识别系统的品质和效率，增强系统对不同文本的适应性，扩大使用面。在加强版面分析、识别结果上下文匹配后处理和各种实用化技术的研制的同时，进行对识别方法的进一步研究，促使更实用的产品出现。
一、课题来源：
本课题来源于作者在学习和实习中了解到的两个事实，属于自拟课题。
其一，作者在20xx年7月在X公司调研，了解到现如今各行业都面临着数据量剧增长，并由此带来业务处理速度缓慢，数据维护困难等问题。为了应对此挑战，很多企业开实施大数据发展战略。现如今的大数据发展战略可以概括为两类，一类是垂直扩展。即采用存储容量更大，处理能力更强的设备，此种方式成本较大，过去很多大公司一直采用此种方法处理大数据。但自从20xx年Google发布关于GFS，MapReduce和BigTable三篇技术论文之后，云计算开始兴起，Apache Hadoop项目启动。随后从20xx年开始，随着云计算和大数据的发展，Hadoop作为一种优秀的数据分析、处理解决方案，开始受到许多 IT企业的关注。相较于垂直扩张所需的昂贵成本，人们更钟情于采用这种通过整合廉价计算资源的水平扩展方式。于是很多IT企业开始探索采用Hadoop框架构建自己的大数据环境。
其二，作者自4月在实习过程中进一步了解到，因为关系数据库在存储数据格式方面的局限，以及其Schema机制带来的扩展性上的不便，目前在大部分的大数据应用环境中都采用非结构化的数据库，如列式存储的Hbase，文档型存储的MangoDB，图数据库neo4j等。这些非结构化数据库因为可扩展性强、资源利用率高，高并发、响应速度快等优势，在大数据应用环境中得到了广泛的应用。但此种应用只解决了前端的业务处理，要真正利用大数据实现商务智能，还需要为决策支持系统和联机分析应用等提供一数据环境——数据仓库。为此，导师指导本文作者拟此题目，研究基于Hadoop框架的数据仓库解决方案。
二、研究目的和意义：
现如今，数据已经渗透到每一个行业，成为重要的生产因素。近年来，由于历史积累和和数据增长速度加快，各行业都面临着大数据的难题。事实上，大数据既是机遇又时挑战。合理、充分利用大数据，将其转变为海量、高增长率和多样化的信息资产，将使得企业具有更强的决策力、洞察发现力和流程优化等能力。因此，很多IT企业都将大数据作为其重要的发展战略，如亚马逊、FaceBook已布局大数据产业，并取得了骄人的成绩。事实上，不止谷歌、易趣网或亚马逊这样的大型互联网企业需要发展大数据，任何规模的企业都有机会从大数据中获得优势，并由此构建其未来业务分析的基础，在与同行的竞争中，取得显著的优势。
