- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我的 pdf 包含扫描图像,我想从中提取文本。
我尝试了什么:我尝试使用 AutoDetectParsers 但没有输出。
我遵循了 Apache Tika extract scanned PDF files 中提供的解决方案以及 https://issues.apache.org/jira/browse/TIKA-1729 的 Apache Tika Jira但是没有任何错误地得到空字符串。
我的配置:Win 7 64 位操作系统,JDK 1.8.0_45。
欢迎任何形式的帮助。
最佳答案
解决此问题的步骤:
使用 Windows 的“tesseract-ocr-setup-3.05.00dev.exe”在您的系统中安装 Tesseract 来自:https://sourceforge.net/projects/tesseract-ocr-alt/files/并在您的配置中设置它的位置。
Java 代码:
Parser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(Integer.MAX_VALUE);
TesseractOCRConfig config = new TesseractOCRConfig();
config.setTesseractPath(tPath);
PDFParserConfig pdfConfig = new PDFParserConfig();
pdfConfig.setExtractInlineImages(true);
pdfConfig.setExtractUniqueInlineImagesOnly(false); // set to false if pdf contains multiple images.
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);
Maven 依赖:
<dependencies>
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-parsers</artifactId>
<version>1.13</version>
</dependency>
<dependency>
<groupId>com.levigo.jbig2</groupId>
<artifactId>levigo-jbig2-imageio</artifactId>
<version>1.6.5</version>
</dependency>
<dependency>
<groupId>com.github.jai-imageio</groupId>
<artifactId>jai-imageio-core</artifactId>
<version>1.3.1</version>
</dependency>
</dependencies>
我认为这可能会有所帮助。谢谢。
关于java - 无法使用 TesseractOCRConfig Apache Tika 提取扫描的 pdf,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39762841/
我运行一个未修改的 Apache tika-server 1.22 的 JAX-RS 实例,并将其用作 HTTP 端点服务,我将文件发布到(主要是 Office、PDF 和 RTF)并通过 HTTP
我们当前的 Scala 代码与 Tika 1.13+ 一起运行,我们使用现已弃用的 LanguageIdentifier 代码,如下所示: import org.apache.tika.languag
使用Apache Tika提取JPEG图片元数据时遇到如下错误 java.lang.NoSuchMethodError: com.adobe.xmp.properties.XMPPropertyInf
我在网上找到了以下示例源代码,它的名称为 MyFirstTika.java,但我无法确定使用哪个版本的 Tika 来编译它。或者 Tika 的所有版本都兼容吗? The code is linked
我正在使用 Tika 阅读 PDF,并且我的代码直到昨天才正常工作。现在,当我运行相同的代码时,我收到错误,并且显然 Tika 找不到 Tika 服务器 jar 文件。我正在使用以下代码来阅读 PDF
Apache Tika 服务器提供了一个 Rest API 来从文档中提取文本。也可以设置特定的请求 header 参数,例如 X-Tika-PDFOcrStrategy。例如: $ curl -T
我在评论中添加了RTF文件。在文本编辑器中复制以下文本并另存为RTF格式。 BodyContentHandler handler = new BodyContentHandler(); Metadat
我想在 Maven 项目中使用 Tika 作为依赖项,从文件中提取元数据。当我使用 mvn exec:java 运行该类时它工作正常,但使用 java -cp 运行该类时它工作正常,所以我怀疑这是一个
对于 docx 文件,我检索 application/x-tika-ooxml,但我应该检索 application/vnd.openxmlformats-officedocument.wordpro
对于 docx 文件,我检索 application/x-tika-ooxml,但我应该检索 application/vnd.openxmlformats-officedocument.wordpro
我正在尝试使用 tika 包来解析文件。 Tika 已成功安装,tika-server-1.18.jar 使用 cmd 中的代码运行 Java -jar tika-server-1.18.jar 我在
我使用 jersey 框架在 java 中编写了一个 Web 服务,该框架使用了我的 apache tika 包装器。该包装器包装了 tika-app-1.7.jar。我的问题是什么是最好的方法:包装
我正在尝试在 Nutch 中启用 Tika 的 BoilerpipeContentHandler 解析器,以从网页中提取文章文本。为此,我配置了 tika-config.xml 以排除 HTMLPar
我正在尝试解析一些包含工程图纸的 PDF 文件以获取文件中的文本数据。我尝试将 TIKA 用作 python 的 jar,并将其与 jnius 包一起使用(在此处使用本教程: http://www.h
在 Tika 的网站上,它说(关于 tika-app-1.2.jar)它可以在服务器模式下使用。有谁知道如何在该服务器运行后发送文档并从该服务器接收解析的文本? 最佳答案 Tika 支持两种“服务器”
我正在使用 Tika 解析大型 pdf 和 word 文档,但我收到以下错误消息。 Your document contained more than 100000 characters, and s
我正在使用 Apache Tika 从 PDF 文件获取内容。 当我运行它时,出现以下错误。我没有在任何地方看到这个错误的记录,这只是一个糟糕的惊喜。 org.apache.tika.sax.Writ
我知道 Tika 有一个非常好的包装器,它让我可以像这样从解析文件中获取一个 Reader: Reader parsedReader = tika.parse(in); 但是,如果我使用它,我无法指定
我阅读了一些文章,认为服务器模式下的 tika 可以提高性能。有人能解释一下怎么做吗?我们能否在 Java 应用程序中实现类似的功能以获得更好的性能? Running tika in server m
在我们的应用程序中,我们使用 Apache Tika 处理文件。但是有一些文件(例如*.mov,*.mp4)Tika无法处理并在用户的Temp文件夹中留下相应的*.tmp文件。经过一些研究,我发现这是
我是一名优秀的程序员,十分优秀!