无法使用TesseractOCRConfig Apache Tika提取扫描的pdf

Question

我的pdf包含扫描的图像，我想从中提取文本。

我尝试了什么：我尝试使用AutoDetectParsers但没有输出。

我遵循Apache Tika extract scanned PDF files中提供的解决方案以及https://issues.apache.org/jira/browse/TIKA-1729的Apache Tika Jira，但是没有任何错误地获得空字符串。

我的配置：Win 7 64位操作系统，JDK 1.8.0_45。

欢迎任何形式的帮助。

Answer 1

要解决此问题的步骤：

1. 使用适用于Windows的'tesseract-ocr-setup-3.05.00dev.exe'从https://sourceforge.net/projects/tesseract-ocr-alt/files/安装Tesseract，并在配置中设置其位置。

   Java代码：

   Parser parser = new AutoDetectParser();
   BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
   TesseractOCRConfig config = new TesseractOCRConfig();
   config.setTesseractPath(tPath);
   PDFParserConfig pdfConfig = new PDFParserConfig();
   pdfConfig.setExtractInlineImages(true);
   pdfConfig.setExtractUniqueInlineImagesOnly(false); // set to false if pdf contains multiple images.
   ParseContext parseContext = new ParseContext();
   parseContext.set(TesseractOCRConfig.class, config);
   parseContext.set(PDFParserConfig.class, pdfConfig);
   //need to add this to make sure recursive parsing happens!
   parseContext.set(Parser.class, parser);
   

2. Maven依赖项：

<dependencies> <dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-parsers</artifactId> <version>1.13</version> </dependency> <dependency> <groupId>com.levigo.jbig2</groupId> <artifactId>levigo-jbig2-imageio</artifactId> <version>1.6.5</version> </dependency> <dependency> <groupId>com.github.jai-imageio</groupId> <artifactId>jai-imageio-core</artifactId> <version>1.3.1</version> </dependency> </dependencies>

我认为这可能会有所帮助。感谢。