【问题标题】:How do you enable the TesseractOCRParser using TikaConfig and the Tika command line utility?如何使用 TikaConfig 和 Tika 命令行实用程序启用 TesseractOCRParser?
【发布时间】:2018-08-02 13:59:00
【问题描述】:

我已经安装了 apache Tika 1.8,它运行良好,除了 OCR 部分不工作。我安装了 Tesseract,它也可以正常工作。 当我尝试发送带有图像的 pdf 时,我得到以下信息。

警告:Tesseract OCR 已安装并将自动应用于图像 f 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速度 (TIKA-2359)。 从 Tika 1.15(和之前的版本)开始,自动调用 Tesseract。 在未来的 Tika 版本中,用户可能需要通过以下方式打开 TesseractOCRParser TikaConfig。

我可以使用命令行实用程序配置 TikaConfig 吗?还是我必须克隆项目并更新 pom 并重建。我真的不想这样做。

这里有一些关于如何使用命令行实用程序和 TikaConfig 的信息,但我不知道如何使用它启用 TesseractOCRParser。

任何帮助,不胜感激。

【问题讨论】:

    标签: apache configuration ocr tesseract tika-server


    【解决方案1】:

    好的,在Apache Tika Forum上的这篇文章的帮助下,谢谢你们。

    我设法让它工作。 它是一个黑客,但它有效。我所做的是提取 Tika-app Jar 文件。然后找到 PDFParser.properties 并像这样更改以下属性

    extractInlineImages true 
    extractUniqueInlineImagesOnly false 
    ocrStrategy ocr_and_text_extraction
    

    然后找到 TesseractOCRConfig.properties。 并将这一属性更改为 1..

    enableImageProcessing=1
    

    保存以上属性文件。重新拉上拉链。 并使用新压缩的 jar 文件,它现在将从 pdf 文件中的图像中提取文本和文本。

    【讨论】:

      【解决方案2】:

      我尝试了 user3250052 的方法,但无法以可执行的方式重新压缩 jar 文件。那是由于我自己对 Java 的缺乏经验,但无论如何,在调用 tika 时调用自定义 tika 配置文件是比较简单的方法:

      java -jar tika-app.jar --config=tika-config.xml image.pdf
      

      这就是我的 tika-config.xml 的样子:

      <?xml version="1.0" encoding="UTF-8" standalone="no"?>
      <properties>
        <!--for example: <mimeTypeRepository resource="/org/apache/tika/mime/tika-mimetypes.xml"/>-->
        <service-loader dynamic="true" loadErrorHandler="IGNORE"/>
        <encodingDetectors>
          <encodingDetector class="org.apache.tika.detect.DefaultEncodingDetector"/>
        </encodingDetectors>
        <translator class="org.apache.tika.language.translate.DefaultTranslator"/>
        <detectors>
          <detector class="org.apache.tika.detect.DefaultDetector"/>
        </detectors>
        <parsers>
          <parser class="org.apache.tika.parser.DefaultParser"/>
          <parser class="org.apache.tika.parser.pdf.PDFParser">
            <params>
              <param name="extractInlineImages" type="bool">true</param>
            </params>
          </parser>
        </parsers>
      </properties>
      

      为了构建该配置文件,我首先运行:

      java -jar tika-app.jar --dump-current-config
      

      这将为您转储默认配置。我把它放入 tika-config.xml 并添加:

      <parser class="org.apache.tika.parser.pdf.PDFParser">
        <params>
          <param name="extractInlineImages" type="bool">true</param>
        </params>
      </parser>
      

      我从 https://cwiki.apache.org/confluence/display/tika/PDFParser%20(Apache%20PDFBox) 收集到的(选项 1)。

      即使默认情况下启用了 tesseract(因此 OCR 将在图像文件上开箱即用),如果没有设置该选项,PDF 不会获得 OCR,因为如上面的链接中所述,“默认情况下,提取内联图像是关闭是因为一些罕见的 PDF 每页包含数千个内联图像,并且对性能(内存使用和时间)有很大影响。

      现在一切(图像文件的 OCR、图像的 OCR 或基于图像的 PDF 以及基于文本的 PDF 的自然文本提取)都可以与 java 应用程序 tika 一起使用。我找到了很多关于让它在 java 服务器 tika 上工作的文档,但在 java 应用程序 tika 上却很少,所以我希望这可以节省我花了几个小时弄清楚这一点的时间(让我知道)。

      【讨论】:

        【解决方案3】:

        我会推荐使用ocrStrategy auto

        这会尝试提取然后返回到 OCR

        【讨论】:

          猜你喜欢
          • 1970-01-01
          • 1970-01-01
          • 2011-09-15
          • 1970-01-01
          • 2011-12-05
          • 2010-11-06
          • 1970-01-01
          • 1970-01-01
          • 2013-09-02
          相关资源
          最近更新 更多