apache-tika - Apache Tika 服务器 - 请求 header 参数？

Question

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 test/Dokument01.pdf http://localhost:9998/tika --header "X-Tika-PDFOcrStrategy: ocr_only"

从很多关于 tika 的不同文档中，我发现这些记录了额外的头参数:

X-Tika-OCRLanguage: eng
X-Tika-PDFextractInlineImages: true | false
X-Tika-PDFOcrStrategy: ocr_only  |  ocr_and_text_extraction
X-Tika-OCRoutputType: hocr

但是似乎没有文档说明如何使用 X-Tika-......? header 参数或支持哪些参数，哪些不支持。

例如，我想知道是否可以用类似的东西覆盖 ImageType 模式或 DPI:

X-Tika-PDFocrImageType: rgb
X-Tika-PDFocrDPI: 100

我的问题是:支持哪些 header 参数以及这些参数遵循哪些命名约定？

Answer 1

处理X-Tika-OCR 和X-Tika-PDF header 的代码是TikaResource.processHeaderConfig .

然后将这些 header 后缀和值映射到 TesseractOCRConfig和 PDFParserConfig通过反射配置对象。

因此，要查看您可以设置哪些 X-Tika header ，请查看您想要调整的配置类的选项(Tesseract 或 PDF)，然后构建名称，然后设置标题。如果您不确定该选项的作用或它采用的值，请查看 JavaDocs 以了解将被调用的底层 setter 方法。

例如setExtractInlineImages在 PDF 上，映射到 X-Tika-PDFextractInlineImages