SOLR 6.6 OCR 扫描的 PDF 文件

Question

我有一个在 Linux 上运行良好的默认（用户指南）SOLR 6.6.0 安装。 现在我还需要对扫描的 PDF 文件进行全文 (OCR) 搜索。我已经阅读了有关带有图片的 Tesseract 的内容。但我找不到一个很好的教程如何用 PDF 实现这个。 对此有何建议？

谢谢， 弗洛尔

Answer 1

你应该使用ExtractingRequestHandler。

在这里你会找到可以帮助你的配置示例：

• http://blog.thedigitalgroup.com/vijaym/using-solr-and-tikaocr-to-search-text-inside-an-image/
• https://fr.hortonworks.com/hadoop-tutorial/indexing-and-searching-text-within-images-with-apache-solr/