无法使用 TIKA 提取文本答案

【问题标题】：Unable to extract text using TIKA无法使用 TIKA 提取文本
【发布时间】：2017-01-27 22:43:20
【问题描述】：

我们有一个 pdf，它是手写文档，并使用扫描仪转换为 pdf。我正在使用 TIKA 1.13 但无法从此类文件中提取文本。解析后我只得到“\n\n”作为文本。这是我的代码：

Parser parser = new AutoDetectParser();
ContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);
ParseContext parseContext = new ParseContext();
parseContext.set(PDFParserConfig.class, pdfConfig);
parseContext.set(Parser.class, parser);
Metadata metadata = new Metadata();
parser.parse(stream, handler, metadata, parseContext);

有人可以帮忙吗？

【问题讨论】：

was a hand-written document and converted to pdf，因此 PDF 是图像。 PDF 中没有文本。您可以尝试使用 OCR 工具将图像转换为文本，或者扫描仪内置 OCR 不会提取任何文本。
TIKA 能帮我从这种基本上是图像的 pdf 中提取文本吗？
你try following the Apache Tika documentation on enabling OCR support了吗？
如果我尝试使用扫描的 pdf 运行 tesseract 命令，它会给我一个错误“不支持的图像类型”。我应该先将我的 pdf 转换为图像文件，然后将 TIKA 与 tesseract 配置一起使用吗？同样在生产中我无法安装 tesseract 那么我应该如何在我的 java spring 服务中添加 tesseract 的依赖项？
对，tesseract 无法读取 pdf，您必须通过 Tika 使用 tesseract 或以正确的格式转换/提取图像。如果你不能安装 tesseract，我认为这可能是一个非首发。

标签： java parsing apache-tika

【解决方案1】：

PDF 有两种基本风格。在我喜欢称之为纯 pdf 的内容中，文本嵌入在与 html 标记、文字标记等功能相同的标记语言中。可以从这种类型的 pdf 中恢复文本。另一种类型是当您将 word 文档另存为 pdf 时得到的。将原始文档的每一页转换为图像，然后将图像嵌入到支持分页的 pdf 框架中。这次的提取为您提供了一组图像。这些可能适合也可能不适合 OCR 处理。

【讨论】：