如何使用 Apache Tika Server 从 PDF 中提取内嵌图像并将它们保存为文件？

【问题标题】：How to extract inline images from PDF using Apache Tika Server and save them as files?如何使用 Apache Tika Server 从 PDF 中提取内嵌图像并将它们保存为文件？
【发布时间】：2021-06-01 19:46:19
【问题描述】：

有没有办法做到这一点？我在对http://localhost:9998/tika的 PUT 请求中使用了以下标头

"Content-Type", "application/pdf"
"X-Tika-OCRLanguage", "eng"
"X-Tika-PDFextractInlineImages", "true"
"X-Tika-PDFOcrStrategy", "no_ocr"

响应中会包含图片吗？如果是这样，我该如何保存它们？

使用 Apache Tika 服务器 1.26

【问题讨论】：

你试过/unpack吗？

标签： apache-tika tika-server

【解决方案1】：

响应将是字符串而不是图像标志：PDFOcrStrategy 告诉 tika 使用 ocr (tesseract) 或仅尝试从没有 ocr 的文档中提取文本 - 对于本机 pdf 很有用

标志：PDFextractInlineImages 告诉 tika 忽略/包含嵌入的图像

因此，当您拥有扫描的 pdf 文件时，您应该使用
“X-Tika-PDFextractInlineImages”，“真” “X-Tika-PDFOcrStrategy”、“ocr_only” 对于原生 pdf “X-Tika-PDFextractInlineImages”，“假” “X-Tika-PDFOcrStrategy”、“no_ocr” 但在这两种情况下，tika 都会返回文本

如果您想从 pdf 文档 IMO 中获取图像，您应该使用 pdf 框或类似的库。 tika 的目标是从输入中返回文本

【讨论】：