如何强制 tika 服务器使用 curl 排除 TesseractOCRParser

Question

我正在使用 tesseract 运行 tika-server-1.23.jar，并使用 curl 通过 php 从文件中提取文本。有时使用 OCR 运行需要很长时间，所以我偶尔想排除运行 tesseract。我可以通过插入来做到这一点

<parser-exclude class="org.apache.tika.parser.ocr.TesseractOCRParser"/>

在 tika config xml 文件中，但这意味着它永远不会运行 tesseract。

我可以强制 tika 服务器通过 curl 在每个请求中选择性地跳过使用 tesseract 吗？如果可以，如何？

我有一个解决方法，我正在运行 tika 服务器的两个实例，每个实例都有一个不同的配置文件在不同的端口上侦听，但这是次优的。

提前致谢。

Answer 1

您可以使用 PDF 文件的标题设置 OCR 策略，其中包括一个不 OCR 的选项：

curl -T test.pdf http://localhost:9998/tika --header "X-Tika-PDFOcrStrategy: no_ocr"

对于其他文件类型并没有真正的等效项，但有一个类似的标题前缀调用 X-Tika-OCR，它允许您在用于任何文件类型时在 TesseractOCRConfig 实例上设置配置。

您有一些可能对您的场景感兴趣的选项：

• maxFileSizeToOcr - 你可以设置为 0
• 超时 - 您可以将其设置为您愿意给予的超时时间
• tesseractPath - 你可以设置任何东西，好像它找不到它，它无法执行

因此，例如，如果您想跳过一个文件，您可以将最大文件大小设置为 0，这意味着它不会被处理：

curl -T testOCR.jpg http://localhost:9998/tika  --header "X-Tika-OCRmaxFileSizeToOcr: 0"

或者设置路径为/dummy：

curl -T testOCR.jpg http://localhost:9998/tika  --header "X-Tika-OCRtesseractPath: /dummy"

如果您愿意，当然也可以将这些标题用于 PDF 文件。