Question

从Apache Tika extract scanned PDF files开始，扫描文档的效果非常好。但问题是，它占用了太多时间以及CPU利用率。

在我的情况下，15 MB文件23 pages占用~4.5 minute，这太高了。请在下面找到我的工作代码，

Parser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);

TesseractOCRConfig config = new TesseractOCRConfig();
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);

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);

Metadata metadata = new Metadata();
parser.parse(inputStream, handler, metadata, parseContext);
String content = handler.toString();

如何让它更优化/更快？有什么建议吗？

Answer 1

正如@Gagravarr在评论中提到的那样，这并不是Tika的慢点，因为Tesseract是消耗CPU的过程。

要处理此问题，我已使用FIFO方法在另一台服务器上分离了此过程。这样一次只能处理一个文件。

使用Apache Tika + Tesseract提取扫描PDF的速度很慢

1 个答案: