Question

我刚刚从Github的存储库安装了Tika，并尝试OCR包含扫描文档页面的PDF。

java -cp tika-app/target/tika-app-1.17-SNAPSHOT.jar org.apache.tika.cli.TikaCLI /tmp/testing/sample_scanned.pdf

但是，只提取元数据（尽管我事先已经确认安装并使用了Tesseract：

警告：Tesseract OCR已安装，并将自动应用于图像文件，除非您已从默认解析器中排除了TesseractOCRParser。 Tesseract可能会显着减慢内容提取（TIKA-2359）。截至Tika 1.15（以及之前的版本），Tesseract会自动调用。在未来的Tika版本中，用户可能需要通过TikaConfig打开TesseractOCRParser。

（Full output）

注意：普通PDF（包含）纯文本会成功提取。问题似乎是OCR过程本身。

这已在Centos和Ubuntu上测试过 - 同样的问题。

我是否需要更改配置文件，指定更多解析器？什么可能导致这种情况？

谢谢。

Answer 1

默认情况下禁用PDF图像提取。来自PDFParserConfig：

注意：一些适度大小（~4MB）的PDF文档可以包含数千个嵌入图像，总计＆gt; 2.5 GB。此外，至少从PDFBox 1.8.5开始，可能会出现令人惊讶的大内存消耗和/或内存不足错误。谨慎设置为true。默认值为false。

启用它的一个简单示例：

Parser parser = new AutoDetectParser();
ContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
ParseContext parseContext = new ParseContext();
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);
parseContext.set(PDFParserConfig.class, pdfConfig);
try (InputStream stream = ClasspathUtil.readStreamFromClasspath("test.pdf")) {
    parser.parse(stream, handler, new Metadata(), parseContext);
    System.out.println(handler.toString());
}

Tika检测到Tesseract但未执行任何OCR

1 个答案: