apache - 如何使用 TikaConfig 和 Tika 命令行实用程序启用 TesseractOCRParser？

Question

我已经安装了 apache Tika 1.8，除了 OCR 部分不工作外，它运行完美。我安装了 Tesseract，它也能正常工作。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除非您已经从默认解析器中排除了 TesseractOCRParser。Tesseract 可能会显着降低内容提取速度 (TIKA-2359)。从 Tika 1.15(和之前的版本)开始，Tesseract 被自动调用。在未来版本的 Tika 中，用户可能需要通过以下方式打开 TesseractOCRParser TikaConfig.

Can I configure the TikaConfig using the command line utility ? Or do I have to clone the project and update poms and rebuild. I really do not want to have to do that.

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。

Answer 1

好的，在 Apache Tika Forum 上的这篇帖子的帮助下谢谢你们。

我设法让它工作了。这是一个黑客，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。再拉上 zipper 。并使用新的压缩 jar 文件，它现在将从 pdf 文件的图像中提取文本和文本。