如何使用 Apache TIka 从文件中提取图像？

Question

我有一个包含文本和图像的 pdf（或任何其他类型的文件，例如 .doc、.ppt 等）。如何使用 Tika 从这些文件中提取图像？

还可以使用 Tess4j 或任何其他库对提取的图像运行 OCR 吗？

这就是我对 Tika 的称呼：

 AutoDetectParser parser = new AutoDetectParser();
 BodyContentHandler handler = new BodyContentHandler(writeLimit);
 Metadata metadata = new Metadata();        
 InputStream stream = new FileInputStream("file.pdf");      
 parser.parse(stream, handler, metadata);   

附言我有 tika-app.jar。

Answer 1

这样做的方法：

        InputStream stream = new FileInputStream(inputFile);

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

        TesseractOCRConfig config = new TesseractOCRConfig();
        PDFParserConfig pdfConfig = new PDFParserConfig();
        ParseContext parseContext = new ParseContext();

        parseContext.set(TesseractOCRConfig.class, config);
        parseContext.set(PDFParserConfig.class, pdfConfig);
        parseContext.set(Parser.class, parser); // need to add this to make
                                                // sure recursive parsing
                                                // happens!
        Metadata metadata = new Metadata();
        parser.parse(stream, handler, metadata, parseContext);
        String text = handler.toString().trim();

---

1) 确保您已使用来自以下位置的“tesseract-ocr-setup-3.05.00dev.exe”安装了 tesseract： https://sourceforge.net/projects/tesseract-ocr-alt/files/ 并将其路径（如果是 Windows，它将安装在程序文件中）放置在 PATH 环境变量中。如果需要，重新启动 Windows。 传递任何（是的！）文件，它将提取。 2) 从以下位置下载 tess4j-3.0.0.jar： https://sourceforge.net/projects/tess4j/?source=typ_redirect 并使用以下方法引用此 jar：

    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>3.0.0</version>
    </dependency>

那么，这些：

    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-core</artifactId>
        <version>1.13</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/org.apache.tika/tika-parsers -->
    <dependency>
        <groupId>org.apache.tika</groupId>
        <artifactId>tika-parsers</artifactId>
        <version>1.13</version>
    </dependency>

    <dependency>
        <groupId>commons-io</groupId>
        <artifactId>commons-io</artifactId>
        <version>2.5</version>
    </dependency>

    <dependency>
        <groupId>com.github.jai-imageio</groupId>
        <artifactId>jai-imageio-core</artifactId>
        <version>1.3.0</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/net.java.dev.jna/jna -->
    <dependency>
        <groupId>net.java.dev.jna</groupId>
        <artifactId>jna</artifactId>
        <version>4.2.2</version>
    </dependency>

    <dependency>
        <groupId>log4j</groupId>
        <artifactId>log4j</artifactId>
        <version>1.2.11</version>
    </dependency>

但是，如果使用 Ubuntu，则应使用 apt-get 安装 tesseract。 它会起作用的。